java基础——第十五章：java基础（正则表达式）

 

本章概述：

第一部分：正则表达式

第二部分：正则的方法和实现

第三部分：网页爬虫

 

 

 

 

 

第一部分：正则表达式

 

1、正则表达式：符合一定规则的表达式。

作用：用于专门操作字符串。

特点：用于一些特定的符号来表示一些代码操作。这样就简化书写。所以学习正则表达式，就是在学习一些特殊符号的使用。

好处：可以简化对字符串的复杂操作。

弊端：符号定义越多，正则越长，阅读性越差。

 

Regex

pattern 正则包装类

 

2、正则表达式的构造摘要：

 

 

字符 

 

x    字符 x 

\\     反斜线字符 

\t    制表符 ('\u0009') 

\n    新行（换行）符 ('\u000A') 

\r    回车符 ('\u000D') 

 

\0n 带有八进制值 0 的字符 n (0 <= n <= 7) 

 

\0nn 带有八进制值 0 的字符 nn (0 <= n <= 7) 

\0mnn 带有八进制值 0 的字符 mnn（0 <= m <= 3、0 <= n <= 7） 

\xhh 带有十六进制值 0x 的字符 hh 

\uhhhh 带有十六进制值 0x 的字符 hhhh 

\f 换页符 ('\u000C') 

\a 报警 (bell) 符 ('\u0007') 

\e 转义符 ('\u001B') 

\cx 对应于 x 的控制符 

 

  
字符类 

 

[abc]    a、b 或 c（简单类） 

[^abc]     任何字符，除了 a、b 或 c（否定）  

[a-zA-Z]    a 到 z 或 A 到 Z，两头的字母包括在内（范围） 

 

[a-d[m-p]] a 到 d 或 m 到 p：[a-dm-p]（并集） 

[a-z&&[def]] d、e 或 f（交集） 

[a-z&&[^bc]] a 到 z，除了 b 和 c：[ad-z]（减去） 

[a-z&&[^m-p]] a 到 z，而非 m 到 p：[a-lq-z]（减去） 

  

 

预定义字符类 

 

.      任何字符（与行结束符可能匹配也可能不匹配）  

\d     数字：[0-9] 

\D    非数字： [^0-9] 

\w     单词字符：[a-zA-Z_0-9] 

 

\s 空白字符：[ \t\n\x0B\f\r] 

\S 非空白字符：[^\s] 

\W 非单词字符：[^\w] 

 

  边界匹配器 

^     行的开头 

$     行的结尾 

\b     单词边界 

 

\B 非单词边界 

\A 输入的开头 

\G 上一个匹配的结尾 

\Z 输入的结尾，仅用于最后的结束符（如果有的话） 

\z 输入的结尾 

  

 

Greedy 数量词 

 

X?        X，一次或一次也没有 

X*        X，零次或多次 

X+        X，一次或多次 

X{n}        X，恰好 n 次 

X{n,}      X，至少 n 次 

X{n,m}   X，至少 n 次，但是不超过 m 次 

  

 

Reluctant 数量词 

 

X??         X，一次或一次也没有 

X*?         X， 零次或多次 

X+?        X，一次或多次 

X{n}?      X，恰好 n 次 

X{n,}?     X，至少 n 次 

X{n,m}?  X，至少 n 次，但是不超过 m 次 

  

 

Possessive 数量词 

 

X?+       X，一次或一次也没有 

X*+       X，零次或多次 

X++       X，一次或多次 

X{n}+     X，恰好 n 次 

X{n,}+    X，至少 n 次 

X{n,m}+ X，至少 n 次，但是不超过 m 次 

 

3、反斜线、转义和引用 

 

 

反斜线字符 ('\') 用于引用转义构造，如上表所定义的，同时还用于引用其他将被解释为非转义构造的字符。因此，表达式 \\ 与单个反斜线匹配，而 \{ 与左括号匹配。 

 

 

在不表示转义构造的任何字母字符前使用反斜线都是错误的；它们是为将来扩展正则表达式语言保留的。可以在非字母字符前使用反斜线，不管该字符是否非转义构造的一部分。

 

 

4、具体操作功能：

 

1，匹配：String  matches方法。用规则匹配整个字符串，只要有一处不符合规则，就匹配结束，返回false。

2，切割：String split()方法，

3，替换：String replaceAll(regex,str);如果regex中有定义组，可以在第二参数中通过$符号获取正则表达式中的已有的组。符合一定规则的表达式

4，获取:将字符串中的符合规则的子串取出（参看网页爬虫）。

 

 

 

 

 

 

第二部分：正则的实现细节：

1、String中的正则应用：

方法：

（1）matches(Regex) 用正则表达式匹配字符串

（2）split(Regex) 用正则规则切割字符串成字符串数组

（3）replaceAll(regex,newstr) 用新的字符串替换符合规则的部分字符串

"(regex)\\1+","$1" 将叠词替换成单个词

 

组："(regex)"    将括号中的规则封装成一个组，以便复用，每个组都有从1开始的自动编号，需要复用将编号转译就可以了

 

代码示例：

 

//正则操作字符串示例

class  RegexDemo
{
	public static void main(String[] args) 
	{

		//调用匹配手机号的方法检查手机号是否匹配
		System.out.println("匹配：");
		String tel1 = "16811112222";
		System.out.println("tel1:"+matche(tel1));
		String tel2 = "15900001111";
		System.out.println("tel2:"+matche(tel2));

		System.out.println("切割：");
		splitDemo("zhangsan.lisi.wangwu","\\.");  //.在正则中属于有特殊意义的字符，需要将其转义成表示字符
		splitDemo("c:\\abc\\a.txt","\\\\");    //“\\”表示转义后的“\”，所以“\\”需要转义两次
		splitDemo("erkktyqqquizzzzzo","(.)\\1+");//按叠词切割。用“组”来复用规则

		System.out.println("替换：");
		String str = "gjkd13836543644000oiotrr12342223256mndd02034345675";//将字符串中的数组替换成#。
		System.out.println(replaceAllDemo(str,"\\d{7,}","*"));

		String str1 = "WooooYYaaooXXXXXuueBBiaanCCCCCheng";//将叠词替换成单个词. 
		System.out.println(replaceAllDemo(str1,"(.)\\1+","$1"));  //用“$”获取前一个规则中的组

	}

	/*
	匹配手机号
	号段只有 13xxx 15xxx 18xxxx
	*/
	public static boolean matche(String tel)
	{
		String telReg = "1[358]\\d{9}";
		return tel.matches(telReg);  //调用String中的字符串匹配方法匹配
	}



	//用正则切割字符串
	public static void splitDemo(String str,String reg)
	{
		
		String[] arr = str.split(reg);   //String的切割方法
		System.out.println("切割个数："+arr.length);
		//遍历切割出来的字符
		for(String s : arr)
			System.out.println(s);
	}

	//将str中符合reg正则的都替换成newStr
	public static String replaceAllDemo(String str,String reg,String newStr)
	{
		return str.replaceAll(reg,newStr);  //String中的方法，符合正则的都替换成newStr
	}

}

 

 

 

（4）获取：

将字符串中符合规则的子串取出

步骤

1，将正则表达式封装成对象。（Pattern）
2，让正则对象和要操作的字符串相关联。
3，关联后，获取正则匹配引擎。（Matcher）
4，通过引擎对符合规则的子串进行操作，比如取出

 

方法

Pattern compile（Regex） 该方法返回封装了正则的对象

Matcher matcher（str) 让正则对象和字符串相关联，获得匹配器对象

find 将规则作用在字符串上，并进行符合规则的子串查找

group 获取匹配后结果 

start 获取匹配结果开始处的索引

end 获取匹配结果结尾处的索引

String中的matches方法就是用Pattern和Matcher对象实现的

思路：

（1）只想知道该字符串是否对错，使用匹配

（2）将已有字符串变成另一个字符串，使用替换

（3）按自己的方式将字符串变成多个字符串，使用切割，获取规则以外的子串

（4）想要拿到符合需求的字符串子串，获取，获取符合规则的子串

让正则对象和要操作的字符串相关联

关联后，获取正则匹配引擎

通过引擎对符合规则的子串进行操作，比如取出

练习：将IP地址进行地址段顺序的排序

思路：

用0补齐所有地址段到最长位

排序

除去前面的0

(都用replaceAll）

 

 

 

 

 

 

第三部分：网页爬虫

综合网络编程、IO流、正则表达式等知识点的应用

代码说明：

 

 

/*
需求：用网页爬虫在网络上扒出邮箱号

操作步骤：
1，连接网络资源，读取资源上的文本
2，用正则表达式的获取功能关联文本字符串
3，关联后，获取正则匹配引擎。
4，通过引擎将符合邮箱规则的子串取出
*/


import java.io.*;
import java.util.regex.*;
import java.net.*;
import java.util.*;

class WebCrawler 
{
	public static void main(String[] args) throws Exception
	{
		//创建URL，写入网络资源路径
		URL url = new URL("http://172.27.35.14:8080/myweb/mail.html");
		//建立正则匹配规则
		String mailReg = "\\w+@\\w+(\\.\\w+){1,3}";  //字母或数字@字母或数字（.字母或数字限制1到3次）

		//调用自定义方法，在网络中获取匹配规则的邮箱的列表
		List list = getElements(url,mailReg);

		//遍历列表
		for (String s:list)
		{
			System.out.println(s);
		}
	}


	//获取网络上符合规则的字符串的列表
	public static List getElements(URL url,String reg)throws Exception
	{

		//创建URL连接，获取关联的流
		URLConnection conn = url.openConnection();

		BufferedReader bufIn = new BufferedReader(new InputStreamReader(conn.getInputStream()));
		
		//获取正则对象
		Pattern p = Pattern.compile(reg);

		//new集合存放符合规则的字符串
		ArrayList list = new ArrayList();

		//在流中循环读取一行字符数据
		String line = null;

		while((line=bufIn.readLine())!=null)
		{
			//将字符数据与正则对象关联，获取匹配引擎
			Matcher m = p.matcher(line);
			//用匹配引擎的方法查找和获取符合规则的字符元素
			while(m.find())
			{
				list.add(m.group());  //返回此前匹配成功的字符元素，并添加到列表中
			}
		}

		return list;  //返回列表
	}

}

 

 

 

 

 

 

 

 

本章总结：

1、正则表达式是专门用于操作字符串的规则，由于开发中对字符串的操作非常频繁，所以专门定义出一个规则简化对字符串的操作步骤。

2、对字符串的操作有匹配、切割、替换和获取，需要熟悉正则表达式的构造规则，熟悉常用字符的含义，对组的复用要掌握。

3、正则表达式可以封装成对象Pattern，用它可以关联字符串获取匹配引擎Matcher，从而通过匹配引擎对符合规则的字符串进行操作，获取符合规则的字符串是比较常用的操作。

4、要在掌握知识的同时学会灵活应用，可以将各种学到的知识糅合到应用场景中，做到活学活用。