Java笔记之正则表达式

本笔记来自 计算机程序的思维逻辑 系列文章

语法

单个字符

• 特殊字符 \t \n \r
• 八进制 \0
• 十六进制 \x
• Unicode编码字符 \u
• 斜杠 \\
• 元字符 . * + () ? $ [] - | 匹配其本身，需要加转义字符

字符组

任意字符

点号字符 . ，是元字符，默认模式下，它匹配除了换行符以外的任意字符

指定的多个字符之一

中括号 [] ，匹配组中的任意一个字符

字符区间

字符组 [] 中使用连字符 - ，表示连续的多个字符

排除型字符组

在字符组的最前面加字符 ^

字符组内的元字符

在字符组中，除了-^[]\外，其它元字符不再具备特殊含义

字符组运算

多个字符组等同于并集，使用&&表示交集

比如 [[abc][def]] ，等同于 [abcdef]

比如 [a-z&&[^de]] ，匹配除了d和e外，a-z的字符

预定义的字符组

• \d 匹配一个数字字符，等同于[0-9]
• \w 匹配一个单词字符，等同于[a-zA-Z0-9]
• \s 匹配一个空白字符，等同于[\t\n\x0B\f\r]
• \D 匹配一个非数字字符，即[^\d]
• \W 匹配一个非单词字符，即[^\w]
• \S 匹配一个非空白字符，即[^\s]

POSIX字符组

• \p{Lower} 小写字母，等同于[a-z]
• \p{Upper} 大写字母，等同于[A-Z]
• \p{Digit} 数字，等同于[0-9]
• \p{Punct} 标点符号，匹配!"#$%&'()*+,-./:;<=>?@[\]^_\``{|}~中的一个

量词

常用量词

• + 表示前面字符出现一次或多次

  比如 ab+c ，匹配 abc abbc

• * 表示前面字符出现零次或多次

  比如 ab*c ，匹配 ac abc abbbc

• ? 表示前面字符可能出现，也可能不出现

  比如 ab?c ，匹配 ac 和 abc

通用量词

语法 {m,n} ，出现次数从 m 到 n ，包括 m 和 n

如果 n 没有限制，可以省略

如果两者一样，可以写成 {m}

比如 goo{1,}gle ，匹配 google goooogle gooooooogle

贪婪与懒惰

关于量词，它们的默认匹配是贪婪的

比如使用正则表达式 .*，处理字符串 firstsecond 时
本来想得到2个匹配：first 和 second
但默认情况下只得到一个匹配，匹配所有内容
如果希望在碰到第一个匹配时就停止，应该使用懒惰量词，在量词后面加上符号 ?
即 .*?

分组

表达式可以用括号()括起来，表示一个分组，分组可以嵌套

捕获分组

分组默认都有一个编号，按照括号的出现顺序，从 1 开始，从左到右依次递增

比如 a(bc)((de)(fg))
分组0是整个字符串，分组1是bc，分组2是defg，分组3是de，分组4是fg

分组量词

可以对分组使用量词，表示分组的出现次数

比如 a(bc)+d ，表示 bc 出现一次或多次

分组多选

括号()和元字符|一起，可以表示匹配其中的一个子表达式

比如 (http|ftp|file) ，匹配 http 或 ftp 或 file

回溯引用

可以用斜杠\加分组编号引用之前匹配的分组

比如 <(\w+)>(.*) ，匹配

命名分组

命名语法 (?X)，引用语法 \k

比如 <(?\w+)>(.*)> 匹配

非捕获分组

语法 (?:...) ，表示分组后续不需要被引用，提高性能

比如 (?:abc|def)

匹配模式

• (?s) 单行模式
• (?m) 多行模式
• (?i) 不区分大小写模式

特殊边界

• ^ 匹配整个字符串的开始；多行模式下，匹配行的开始

  比如 ^abc ，表示整个字符串必须以 abc 开始

• $ 匹配整个字符串的结束；多行模式下，匹配行的结束

  比如 abc$ ，表示整个字符串必须以 abc 结束

• \A 不管任何模式，总是匹配整个字符串的开始边界

• \Z 不管任何模式，总是匹配整个字符串，换行符之前的结束边界

• \z 不管任何模式，总是匹配整个字符串的结束边界

• \b 匹配单词边界

环视边界匹配

环视不是分组，不占用分组编号，也称为 断言

• 肯定顺序环视 (?=...)

  要求右边的字符串匹配指定的表达式

• 否定顺序环视 (?!...)

  要求右边的字符串不能匹配指定的表达式

• 肯定逆序环视 (?<=...)

  要求左边的字符串匹配指定的表达式

• 否定逆序环视 (?

  要求左边的字符串不能匹配指定的表达式

强制转义

语法 \Q...\E ，\Q 和 \E 之间的所有字符都会被视为普通字符

转义符

\ 是一个元字符，要在正则表达式中表示其本身，需要使用它转义，即\\

在Java中，使用字符串表示正则表达式，而在字符串中，\也是一个元字符，也就需要使用两个\来表示，即\\，如果要匹配其本身，则需要使用四个\，即\\\\

Java API

Pattern

字符串表示的正则表达式可以被编译为一个Pattern对象

编译有一定的成本，而且Pattern对象只与正则表达式有关，与要处理的具体文本无关吗，它可以安全地被多线程共享，所以，在使用同一个正则表达式处理多个文本时，应该尽量重用同一个Pattern对象，避免重复编译

匹配模式

• Pattern.DOTALL 单行模式

• Pattern.MULTILINE 多行模式

• Pattern.CASE_INSENSITIVE 不区分大小写模式

• Pattern.LITERAL 将其中的元字符看作普通字符

  static String quote(String s) 目的类似，将 s 中的字符都看作普通字符

切分

字符串中的 String[] split(String regex) 方法

split将参数regex看作正则表达式，而不是普通的字符，如果分隔符是元字符，就需要转义

split的额外参数limit，用于限定切分的数目

split 区别

• Pattern接受的参数是CharSequence，更为通用
• 如果regex长度大于1或包含元字符，String的split方法会先将regex编译为Pattern对象，再调用Pattern对象的split方法，这时，为避免重复编译，应该优先采用Pattern的方法
• 如果regex就是一个字符且不是元字符，String的split方法会采用更为简单高效的实现，这时，应该优先采用String的方法

验证

字符串中的 boolean matches(String regex) 方法

实际调用Pattern的静态方法 static boolean matches(String regex, CharSequence input)

实际过程：先将regex编译成Pettern对象，再调用Pattern的matcher方法生成一个Matcher对象，最后调用Matcher的matches方法，判断是否完整匹配

Matcher

查找

• boolean find() 遍历
• String group() 匹配到的完整字符串
• int start() 子字符串在整个字符串中的起始位置
• int end() 子字符串在整个字符串中的结束位置加 1
• int groupCount() 返回分组个数
• String group(int group) 分组编号为 group 的内容
• String group(String name) 分组命名为 name 的内容
• int start(int group) 分组编号为 group 的起始位置
• int end(int group) 分组编号为 group 的结束位置加 1

替换

字符串中的方法

• String replace(char oldChar, char newChar)
• String replace(CharSequence target, CharSequence replacement)
• String replaceAll(String regex, String replacement)
• String replaceFirst(String regex, String replacement)

后3个方法实际调用Pattern的compile matcher方法和Matcher的replaceAll replaceFirst方法

边查找边替换

• Matcher appendReplacement(StringBuffer sb, String replacement) 将匹配到的子字符串替换成 replacement 后追加到 sb 后，并更新最后追加位置
• StringBuffer appendTail(StringBuffer sb) 将最后追加位置之后的子字符串追加到 sb 后