正值表达式使用指南

1         概述

正值表达式（regular expression）是一个描述字符模式的对象，它是一种可以用于模式匹配和替换的强有力的工具，主要应用于处理文本操作，应用非常广泛，很多开发语言都对正值表达式进行支持，比如：java、c#、javascript、perl等。

本文档是关于正值表达式使用指南。包括：基本概念、开发规范、java处理方式、javascript处理方式、代码实例等。

通过该文档可以了解正值表达式的基本知识、开发规范、常用的开发方式等，并能够通过java、javascript语言进行基于正值表达式的开发工作。

本文档适合所有Java开发人员。

2         基础知识

2.1         基本概念

正则表达式最早是由数学家Stephen Kleene于1956年提出，主要使用在字符字符串的格式比对，后来在信息领域广为应用，现在已经成为ISO(国际标准组织)的标准之一。

一个正则表达式，就是用某种模式去匹配一类字符串的一个公式。可以把数小时辛苦而且易错的文本处理工作压缩在几分钟（甚至几秒钟）内完成。正则表达式被各种文本编辑软件、类库（例如Rogue Wave的tools.h++）、脚本工具（像awk/grep/sed）广泛的支持，而且像Microsoft的Visual C++这种交互式IDE也开始支持它了。

2.2         直接量字符

构造	匹配
字符
x	字符 x
//	反斜线字符
/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
/t	制表符 ('/u0009')
/n	新行（换行）符 ('/u 000A ')
/r	回车符 ('/u000D')
/f	换页符 ('/u 000C ')
/a	报警 (bell) 符 ('/u0007')
/e	转义符 ('/u001B')
/cx	对应于 x 的控制符

 

在正值表达式中，许多标点符号具有特殊的含义。它们是：^ $ . * + ? = ! : | / / () [] {}

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。

2.3         字符类

将单独的字符放入方括号内可以组合为字符类（character class）。

符类可以出现在其他字符类中，并且可以包含并集运算符（隐式）和交集运算符 (&&)。并集运算符表示至少包含其某个操作数类中所有字符的类。交集运算符表示包含同时位于其两个操作数类中所有字符的类。

字符类运算符的优先级如下所示，按从最高到最低的顺序排列：

1	字面值转义	/x
2	分组	[...]
3	范围	a-z
4	并集	[a-e][i-u]
5	交集	[a-z&&[aeiou]]

注意，元字符的不同集合实际上位于字符类的内部，而非字符类的外部。例如，正则表达式 . 在字符类内部就失去了其特殊意义，而表达式 - 变成了形成元字符的范围。

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]
/s	空白字符：[ /t/n/x0B/f/r], /t(tab)、/n(new line)、/r(return)
/S	非空白字符：[^/s]
/w	单词字符：[a-zA-Z_0-9]
/W	非单词字符：[^/w]

 

2.4         重复

指定重复的字符总是出现在它们所作用的模式之后。

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

 

例如：

//s+java/s+ //match “java” with one or more spaces before and after

//d{2,4}/  // Match between two and four digits

2.5         选择、分组和引用

Logical 运算符
XY	X 后跟 Y
X|Y	X 或 Y
(X)	X，作为捕获组
Back 引用
/n	任何匹配的 nth 捕获组

 

实例：/(ab|cd)+|ef)/ 匹配的既可以是字符串“ef”，也可以是字符串“ab”或者“cd”的一次或多次。

2.5.1.1       组和捕获

捕获组可以通过从左到右计算其开括号来编号。例如，在表达式 ((A)(B(C))) 中，存在四个这样的组：

1	((A)(B(C)))
2	/A
3	(B(C))
4	(C)

组零始终代表整个表达式。

之所以这样命名捕获组是因为在匹配中，保存了与这些组匹配的输入序列的每个子序列。捕获的子序列稍后可以通过 Back 引用在表达式中使用，也可以在匹配操作完成后从匹配器检索。

与组关联的捕获输入始终是与组最近匹配的子序列。如果由于量化的缘故再次计算了组，则在第二次计算失败时将保留其以前捕获的值（如果有的话）例如，将字符串 "aba" 与表达式 (a(b)?)+ 相匹配，会将第二组设置为 "b"。在每个匹配的开头，所有捕获的输入都会被丢弃。

以 (?) 开头的组是纯的非捕获 组，它不捕获文本，也不针对组合计进行计数。

2.6         行结束符

行结束符 是一个或两个字符的序列，标记输入字符序列的行结尾。以下代码被识别为行结束符：

• 新行（换行）符 ('/n')、
• 后面紧跟新行符的回车符 ("/r/n")、
• 单独的回车符 ('/r')、
• 下一行字符 ('/u0085')、
• 行分隔符 ('/u2028') 或
• 段落分隔符 ('/u2029)。

2.7         边界匹配器（锚字符）

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

例如：

2.8         标志

标志
i	执行一个不区分大小写的匹配
g	执行一个全局匹配。简而言之，即要找到所有的匹配，而不是找到第一个后就停止。
m	多行模式，^和$ 除了匹配字符串的开头和结尾外还匹配每行的开头和结尾

 

例如：查找所有java，//bjava/b/gi

3         Java正值表达式使用指南

3.1         介绍

正则表达式的编译表示形式。

指定为字符串的正则表达式必须首先被编译为此类的实例。然后，可将得到的模式用于创建 Matcher 对象，依照正则表达式，该对象可以与任意字符序列匹配。执行匹配所涉及的所有状态都驻留在匹配器中，所以多个匹配器可以共享同一模式。

因此，典型的调用顺序是

 Pattern p = Pattern.compile("a*b");
   

 Matcher m = p.matcher("aaaaab");
   

 boolean b = m.matches();
   

在仅使用一次正则表达式时，可以方便地通过此类定义 matches 方法。此方法编译表达式并在单个调用中将输入序列与其匹配。语句

 boolean b = Pattern.matches("a*b", "aaaaab");
   

等效于上面的三个语句，尽管对于重复的匹配而言它效率不高，因为它不允许重用已编译的模式

 

3.2         代码实例

3.2.1        典型调用顺序

  // 验证字符串是否为正整数或正小数

String regEx = "^[0-9]+//.?[0-9]*$";

       Pattern pattern = Pattern.compile(regEx);

       Matcher matcher = pattern.matcher(param);

       if(!matcher.find()){

           logger.debug(message + "必须为：正整数或正小数");

       }

 

3.2.2        split()函数

String text = "abcdebcadxbc";  String[] tokens = text.split(".bc");

        for(String token : tokens) {

            System.out.print(token + " ");

        }

输出：d ad

使用.bc来作比对，由于符合的子字符串有abc、ebc、xbc 3个，所以split()方法会使用这3个字符串为依据来作字符串分离，返回的自然就是不符合表达式.bc的d与ad

4         Javascript正值表达式使用指南

JavaScript的RegExp类表示正值表达式，而String和RegExp都定义了使用正值表达式进行强大模式匹配和文本检索与替换函数。

ECMAScript v3对Javascript正值表达式进行了标准化。JavaScript 1.2实现了ECMAScript v3要求的正值表达式特性的子集，Javascript 1.5实现了完整的标准。

Javascript正值表达式完全以Perl程序语言的正值表达式为基础。

4.1         正则表达式在页面处理中的使用场景

l         表单验证。验证某些域符合某种规则，例如邮件输入框必须输入的是邮件、联系电话输入框输入的必须是数字等等

l         处理DOM模型。例如通过表达式定位DOM中的一个对象或一系列对象，一个例子就是定位id属性中含有某个特殊字符的div对象。

l         纯编程逻辑。直接用于编程的逻辑之中。

4.2         用于模式匹配的String方法

类String支持四种利用正值表达式的方法，

最简单的search()，例如：”Javascirpt”.search(/script/i);

replace()进行检索和替换。例如：text.replace(/javacript/gi), “JavaScript”);

match是最常用的。” 1 plus 2 equals 3” .match(//d+/g) // 返回[“ 1” , “ 2” , “ 3” ]

split可以分解为字符串数组。例如：”1,2,  3,  4, 5” .split(//s*,/s*/); // returns [“ 1” ,” 2” ,” 3” ,” 4” , “ 5” ]。

4.3         RegExp对象

无论是字符串直接量还是正值表达式都使用了字符/表示转义序列，所以必须用//替换所有的/字符。例如：var zipCode = new RegExp(“//d{5}”, “g”);

exec()方法在一个字符串中检索匹配。如果没有则返回null。例如：

var pattern = /Java/g;

var test = “JavaScript is more fun than Java!”;

var result;

while((reslut = pattern.exec(text)) != null) {

       alter(“mathed ‘” + result[0] + “’” + “at position “ + result.index + “;next search begins at “ + pattern.lastIndex);

}

 

test()比较简洁。

var pattern = /java/I;

pattern.test(“Javascript”); // return true

注意：只有带g标志的正值表达式才会发生这种特殊的lastIndex行为。如果没有g，exec()和test()将忽略它的lastIndex。

5         常用的正则表达式

5.1         常用匹配内容

匹配中文字符的正则表达式： [/u4e00-/u9fa5] 评注：匹配中文还真是个头疼的事，有了这个表达式就好办了 匹配双字节字符(包括汉字在内)：[^/x00-/xff] 评注：可以用来计算字符串的长度（一个双字节字符长度计2，ASCII字符计1） 匹配空白行的正则表达式：/n/s*/r 评注：可以用来删除空白行 匹配HTML标记的正则表达式：<(/S*?)[^>]*>.*?</>|<.*? /> 评注：网上流传的版本太糟糕，上面这个也仅仅能匹配部分，对于复杂的嵌套标记依旧无能为力 匹配首尾空白字符的正则表达式：^/s*|/s*$ 评注：可以用来删除行首行尾的空白字符(包括空格、制表符、换页符等等)，非常有用的表达式 匹配Email地址的正则表达式：/w+([-+.]/w+)*@/w+([-.]/w+)*/./w+([-.]/w+)* 评注：表单验证时很实用 匹配网址URL的正则表达式：[a-zA-z]+://[^/s]* 评注：网上流传的版本功能很有限，上面这个基本可以满足需求 匹配帐号是否合法(字母开头，允许5-16字节，允许字母数字下划线)：^[a-zA-Z][a-zA-Z0-9_]{4,15}$ 评注：表单验证时很实用 匹配国内电话号码：/d-/d|/d-/d 评注：匹配形式如 0511-4405222 或 021-87888822 匹配腾讯QQ号：[1-9][0-9]{4,} 评注：腾讯QQ号从10000开始 匹配中国邮政编码：[1-9]/d(?!/d) 评注：中国邮政编码为6位数字 匹配身份证：/d|/d 评注：中国的身份证为15位或18位 匹配ip地址：/d+/./d+/./d+/./d+ 评注：提取ip地址时有用

 

5.2         判断数值类型

l         "^//d+$"　　//非负整数（正整数   +   0）    

l          "^[0-9]*[1-9][0-9]*$"　　//正整数  包括：以0开头

l         /^/+?[1-9][0-9]*$/   //  正整数 不能以0开头

l            "^((-//d+)|(0+))$"　　//非正整数（负整数   +   0）   

l            "^-[0-9]*[1-9][0-9]*$"　　//负整数    

l            "^-?//d+$"　　　　//整数    

l            "^//d+(//.//d+)?$"　　//非负浮点数（正浮点数   +   0）    

l            "^(([0-9]+//.[0-9]*[1-9][0-9]*)|([0-9]*[1-9][0-9]*//.[0-9]+)|([0-9]*[1-9][0-9]*))$"　　//正浮点数    

l            "^((-//d+(//.//d+)?)|(0+(//.0+)?))$"　　//非正浮点数（负浮点数   +   0）    

l           "^(-(([0-9]+//.[0-9]*[1-9][0-9]*)|([0-9]*[1-9][0-9]*//.[0-9]+)|([0-9]*[1-9][0-9]*)))$"　　//负浮点数    

l            "^(-?//d+)(//.//d+)?$"　　//浮点数

 

6         参考资料

1.      《Javascript 权威指南》第5版

2.