Java正则表达式

作为开发人员，正则是一定会接触到的内容，刚学习编程那时就开始用正则，提取爬虫爬取的页面内容。后面写Linux脚本，用正则过滤一些自己想要的内容。后续还是经常用到这块的知识点，还是需要整理下相关内容。

介绍

正则表达式(regex)即一种搜索字符串中模式(pattern)。模式可以是任意的字符串，或者是一个复杂的表达式。正则主要应用在字符串的搜索，编辑等操作上。

语法

1 如下egrep使用的是正则的语法，虽然是命令行，但内涵一样。.代表任意的字符串，所以egrep搜索字符的时候所以的字符都是红色的，是被匹配的，而搜索Hello的时候只有Hello被匹配。

每一种编程语言都有正则表达式的实现，但是不同的语言之间支持的内容有轻微的差别。

image-20191127072256674

常见正则规则

如下是一些常见的正则表达式类型。

正则表达式	Description
.	匹配任意字符
^regex	仅仅匹配regex必须在一行的开头字符。
regex$	仅仅匹配regex出现在一行的末尾的字符串。比如 xxxxxregex。 而xxxregexyyy不行。
[abc]	集合匹配，匹配a，b，c
[abc][vz]	集合匹配，可以匹配 av,az,bv,bz,cv,cz
[^abc]	加上取反符号，即不匹配abc的内容
[a-d1-7]	匹配一个范围，具体位置可以是a-d中的任何一个字符，1-7之间的任何一个数字。
XlZ	匹配X或Y

正则元字符

一些预定义的元字符，让我们更容易使用正则表达式，可以看做替我们提前写好了上述的一些常见正则规则。

元字符	描述
\d	任何数字,即[0-9]
\D	任何非数字，即 [^0-9]
\s	任何空白字符,即 [ \t\n\x0b\r\f]
\S	任何非空白字符。即[^ \t\n\x0b\r\f]
\w	任意单词类型字符, 即 [a-zA-Z_0-9]
\W	任意非单词字符，即 [^\w]
\S+	多个非空白字符
\b	匹配一个字边界，即字与空格间的位置。例如，"er\b"匹配"never"中的"er"，但不匹配"verb"中的"er"。
\B	非字边界匹配。"er\B"匹配"verb"中的"er"，但不匹配"never"中的"er"。

正则量词

量词即匹配一个字符串出现了多少次。

字符	描述
*	零次或多次匹配前面的字符或子表达式。例如，zo* 匹配"z"和"zoo"。* 等效于 {0,}。
+	匹配一次或多次前面的字符，{1, }
?	匹配前一个字符不超过一次，即{0,1}
{X}	X为数字，代表精确的匹配前一个字符几次。\d{3}，代表精确匹配三个数字。
{X,Y}	匹配前一个字符，X次到Y次之间
*?	即只匹配一次就停止接下来的匹配。

Java使用

字符串中使用到正则的方法：

• matches
• split
• replaceFirst
• replaceAll

replace方法不支持正则表达式。

部分元字符测试

后续补充

提取数字

@Test
public void regextExtractNumber(){
    // 匹配任意的数字
    Pattern p = Pattern.compile("\\d+");
    Matcher m = p.matcher("string1234more567string890");
    while(m.find()) {
        System.out.println(m.group());
    }
}

匹配手机号

@Test
public void regexPhone(){
    // 手机号的第一位必须为 1。   ^[1]
    // 手机号的第二位必须为 3,4,5,7,8 中的任意一个。 [34578]
    // 紧接着有9位数字，只要是数字就行。[0-9]{9}
    // 没有其它额外的内容。最后一位$
    Pattern pattern = Pattern.compile("^[1][34578][0-9]{9}$");

    String p1 = "13855683754";
    String p2 = "15880975963";
    System.out.println(pattern.matcher(p1).matches());
    System.out.println(pattern.matcher(p2).matches());
}

匹配IP地址

这个属于比较复杂的案例，能看懂这个正则就ok了。

@Test
public void regexIpv4(){
    // IP地址长度不固定。因此可能出现误匹配
    // 将如下的正则表达式分为4段内容看即可。因为IP由三个  . 分隔开，以下正则也是又3个.分隔，最终以数字结尾。

    // ^[01]?\\d\\d?   如果是三个数字，第一位必须是0或1。但是可以为1位到2位数字。
    //  2[0-4]\\d    如果是以2开头的，那么接下来必须是0~4之间的一个数，第三位为任意数字
    //  25[0-5]    如果是以25开头的，那么最后一个数字只能是  0~5。
    // 其余一样
    String ip_pattern =
            "^([01]?\\d\\d?|2[0-4]\\d|25[0-5])\\." +
                    "([01]?\\d\\d?|2[0-4]\\d|25[0-5])\\." +
                    "([01]?\\d\\d?|2[0-4]\\d|25[0-5])\\." +
                    "([01]?\\d\\d?|2[0-4]\\d|25[0-5])$";

    Pattern pattern = Pattern.compile(ip_pattern);

    List strings = Arrays.asList(
            "0.1.1.1",
            "0.02.0.0",
            "192.168.1.1",
            "132.254.111.10",
            "127.0.0.1"
    );

    for (String string : strings) {
        System.out.println(pattern.matcher(string).matches());
    }
}

提取html中href地址。

@Test
    public void testHref(){
        String aTag = "\n" +
                "                                \n" +
                "                            ";

        // html的连接标签，属性为href。
        // 地址中不为空，但可能有？#等内容，因此用非空匹配。
        // href地址由""引起来，因此两边加上""
        // 使用正则的反向引用特性
        Pattern pattern = Pattern.compile("href=\"(\\S+)\".*");
        Matcher matcher = pattern.matcher(aTag);
        if (matcher.find()){
            System.out.println(matcher.group(1));
        }
    }

最后

今天先到这里了