[置顶] 利用java正则表达式来解析并获取指定的字符串
Java的正则表达式不仅可以用来匹配验证字符串是否符合标准类型，还可以用来解析字符串，获取自己想要得到的数据。在java.util.regex包下提供了系列的类来对字符串进行匹配。来看一下下面的例子：
public static String parse (String s)
{
Pattern pattern =Pattern.compile("charset=(.+?)\"");//匹配的模式
//通配符中也要加入转移字符 (.+?)代表要查找的内容
Matcher matcher=pattern.matcher(s);
while(matcher.find())
{
System.out.println(matcher.group(1)); //每次返回第一个即可 可用groupcount()方法来查看捕获的组数 个数
}
return s;
}
要匹配一下类型的字符串：
<meta http-equiv="Content-Type"content="text/html; charset=UTF-8">
其中标红的部分为想要获取的数据，注意这里要获取的数据长度不固定，并且可能为unicode
Gb2312等其他编码类型，在这里我们所希望获取的是其编码方式。
具体应用实例：
package URL;
import java.net.*;
import java.util.regex.Matcher;
import java.util.regex.Pattern;
import java.io.BufferedReader;
import java.io.InputStream;
import java.io.InputStreamReader;
import java.util.regex.*;
public class DataFromURL {
public static String parse (String s)
{
Pattern pattern =Pattern.compile("charset=(.+?)\"");
//通配符中也要加入转移字符 (.+?)代表要查找的内容
Matcher matcher=pattern.matcher(s);
while(matcher.find())
{
System.out.println(matcher.group(1));
}
return s;
}
public static voidgetDataFromURL(String url)
{
try{
URL u=new URL(url);//通过连接创建URL对象
BufferedReader reader=new BufferedReader(new InputStreamReader(u.openStream(),"gb2312"));//采用gb2312方式打开输入流
int c;
/*while((c=reader.read())!=-1)//该方法为每个字符读取
{
System.out.print((char)c);
}*/
String s;
while((s=reader.readLine())!=null)//不为空一次性读取一行
{
//System.out.println(s);
if(s.contains("charset"))
{
parse(s);
}
}
}catch(Exception e)
{
e.printStackTrace();
}
}
}
附录正则表达式说明：
众所周知，在程序开发中，难免会遇到需要匹配、查找、替换、判断字符串的情况发生，而这些情况有时又比较复杂，如果用纯编码方式解决，往往会浪费程序员的时间及精力。因此，学习及使用正则表达式，便成了解决这一矛盾的主要手段。
大 家都知道，正则表达式是一种可以用于模式匹配和替换的规范，一个正则表达式就是由普通的字符（例如字符a到z）以及特殊字符（元字符）组成的文字模式，它 用以描述在查找文字主体时待匹配的一个或多个字符串。正则表达式作为一个模板，将某个字符模式与所搜索的字符串进行匹配。
自从jdk1.4推出java.util.regex包，就为我们提供了很好的JAVA正则表达式应用平台。
因为正则表达式是一个很庞杂的体系，所以我仅例举些入门的概念，更多的请参阅相关书籍及自行摸索。
// 反斜杠
/t 间隔 ('/u0009')
/n 换行 ('/u000A')
/r 回车 ('/u000D')
/d 数字 等价于[0-9]
/D 非数字 等价于[^0-9]
/s 空白符号 [/t/n/x0B/f/r]
/S 非空白符号 [^/t/n/x0B/f/r]
/w 单独字符 [a-zA-Z_0-9]
/W 非单独字符 [^a-zA-Z_0-9]
/f 换页符
/e Escape
/b 一个单词的边界
/B 一个非单词的边界
/G 前一个匹配的结束
^为限制开头
^java 条件限制为以Java为开头字符
$为限制结尾
java$ 条件限制为以java为结尾字符
. 条件限制除/n以外任意一个单独字符
java.. 条件限制为java后除换行外任意两个字符
加入特定限制条件「[]」
[a-z] 条件限制在小写a to z范围中一个字符
[A-Z] 条件限制在大写A to Z范围中一个字符
[a-zA-Z] 条件限制在小写a to z或大写A to Z范围中一个字符
[0-9] 条件限制在小写0 to 9范围中一个字符
[0-9a-z] 条件限制在小写0 to 9或a to z范围中一个字符
[0-9[a-z]] 条件限制在小写0 to 9或a to z范围中一个字符(交集)
[]中加入^后加再次限制条件「[^]」
[^a-z] 条件限制在非小写a to z范围中一个字符
[^A-Z] 条件限制在非大写A to Z范围中一个字符
[^a-zA-Z] 条件限制在非小写a to z或大写A to Z范围中一个字符
[^0-9] 条件限制在非小写0 to 9范围中一个字符
[^0-9a-z] 条件限制在非小写0 to 9或a to z范围中一个字符
[^0-9[a-z]] 条件限制在非小写0 to 9或a to z范围中一个字符(交集)
在限制条件为特定字符出现0次以上时，可以使用「*」
J* 0个以上J
.* 0个以上任意字符
J.*D J与D之间0个以上任意字符
在限制条件为特定字符出现1次以上时，可以使用「+」
J+ 1个以上J
.+ 1个以上任意字符
J.+D J与D之间1个以上任意字符
在限制条件为特定字符出现有0或1次以上时，可以使用「?」
JA? J或者JA出现
限制为连续出现指定次数字符「{a}」
J{2} JJ
J{3} JJJ
文字a个以上，并且「{a,}」
J{3,} JJJ,JJJJ,JJJJJ,???(3次以上J并存)
文字个以上，b个以下「{a,b}」
J{3,5} JJJ或JJJJ或JJJJJ
两者取一「|」
J|A J或A
Java|Hello Java或Hello
「()」中规定一个组合类型
比如，我查询<ahref=/"index.html/">index</a>中<a href></a>间的数据，可写作<a.*href=/".*/">(.+?)</a>
在使用Pattern.compile函数时，可以加入控制正则表达式的匹配行为的参数：
PatternPattern.compile(String regex, int flag)
flag的取值范围如下：
Pattern.CANON_EQ 当且仅当两个字符的"正规分解(canonical decomposition)"都完全相同的情况下，才认定匹配。比如用了这个标志之后，表达式"a/u030A"会匹配"?"。默认情况下，不考虑"规 范相等性(canonical equivalence)"。
Pattern.CASE_INSENSITIVE(?i) 默认情况下，大小写不明感的匹配只适用于US-ASCII字符集。这个标志能让表达式忽略大小写进行匹配。要想对Unicode字符进行大小不明感的匹 配，只要将UNICODE_CASE与这个标志合起来就行了。
Pattern.COMMENTS(?x) 在这种模式下，匹配时会忽略(正则表达式里的)空格字符(译者注：不是指表达式里的"//s"，而是指表达式里的空格，tab，回车之类)。注释从#开始，一直到这行结束。可以通过嵌入式的标志来启用Unix行模式。
Pattern.DOTALL(?s) 在这种模式下，表达式'.'可以匹配任意字符，包括表示一行的结束符。默认情况下，表达式'.'不匹配行的结束符。
Pattern.MULTILINE
(?m) 在这种模式下，'^'和'$'分别匹配一行的开始和结束。此外，'^'仍然匹配字符串的开始，'$'也匹配字符串的结束。默认情况下，这两个表达式仅仅匹配字符串的开始和结束。
Pattern.UNICODE_CASE
(?u) 在这个模式下，如果你还启用了CASE_INSENSITIVE标志，那么它会对Unicode字符进行大小写不明感的匹配。默认情况下，大小写不敏感的匹配只适用于US-ASCII字符集。
Pattern.UNIX_LINES(?d) 在这个模式下，只有'/n'才被认作一行的中止，并且与'.'，'^'，以及'$'进行匹配。
抛开空泛的概念，下面写出几个简单的Java正则用例：
◆比如，在字符串包含验证时
//查找以Java开头,任意结尾的字符串
Patternpattern = Pattern.compile("^Java.*");
Matchermatcher = pattern.matcher("Java不是人");
boolean b=matcher.matches();
//当条件满足时，将返回true，否则返回false
System.out.println(b);
◆以多条件分割字符串时
Pattern pattern =Pattern.compile("[, |]+");
String[] strs =pattern.split("Java Hello World Java,Hello,,World|Sun");
for (inti=0;i<strs.length;i++) {
System.out.println(strs[i]);
}
◆文字替换（首次出现字符）
Pattern pattern =Pattern.compile("正则表达式");
Matcher matcher =pattern.matcher("正则表达式 HelloWorld,正则表达式 Hello World");
//替换第一个符合正则的数据
System.out.println(matcher.replaceFirst("Java"));
◆文字替换（全部）
Pattern pattern =Pattern.compile("正则表达式");
Matcher matcher =pattern.matcher("正则表达式 HelloWorld,正则表达式 Hello World");
//替换第一个符合正则的数据
System.out.println(matcher.replaceAll("Java"));
◆文字替换（置换字符）
Pattern pattern =Pattern.compile("正则表达式");
Matcher matcher =pattern.matcher("正则表达式 HelloWorld,正则表达式 Hello World ");
StringBuffer sbr =new StringBuffer();
while(matcher.find()) {
matcher.appendReplacement(sbr, "Java");
}
matcher.appendTail(sbr);
System.out.println(sbr.toString());
◆验证是否为邮箱地址
Stringstr="[email protected]";
Pattern pattern =Pattern.compile("[//w//.//-]+@([//w//-]+//.)+[//w//-]+",Pattern.CASE_INSENSITIVE);
Matcher matcher =pattern.matcher(str);
System.out.println(matcher.matches());
◆去除html标记
Pattern pattern =Pattern.compile("<.+?>", Pattern.DOTALL);
Matcher matcher =pattern.matcher("<a href=/"index.html/">主页</a>");
String string =matcher.replaceAll("");
System.out.println(string);
◆查找html中对应条件字符串
Pattern pattern =Pattern.compile("href=/"(.+?)/"");
Matcher matcher =pattern.matcher("<a href=/"index.html/">主页</a>");
if(matcher.find())
System.out.println(matcher.group(1));
}
◆截取http://地址
//截取url
Pattern pattern =Pattern.compile("(http://|https://){1}[//w//.//-/:]+");
Matcher matcher =pattern.matcher("dsdsds<http://dsds//gfgffdfd>fdf");
StringBuffer buffer= new StringBuffer();
while(matcher.find()){
buffer.append(matcher.group());
buffer.append("/r/n");
System.out.println(buffer.toString());
}
◆替换指定{}中文字
String str ="Java目前的发展史是由{0}年-{1}年";
String[][]object={new String[]{"//{0//}","1995"},newString[]{"//{1//}","2007"}};
System.out.println(replace(str,object));
public staticString replace(final String sourceString,Object[] object) {
Stringtemp=sourceString;
for(int i=0;i<object.length;i++){
String[]result=(String[])object[i];
Pattern pattern = Pattern.compile(result[0]);
Matcher matcher =pattern.matcher(temp);
temp=matcher.replaceAll(result[1]);
}
return temp;
}
◆以正则条件查询指定目录下文件
//用于缓存文件列表
private ArrayList files = new ArrayList();
//用于承载文件路径
private String _path;
//用于承载未合并的正则公式
private String _regexp;
class MyFileFilter implements FileFilter {
/**
* 匹配文件名称
*/
public boolean accept(File file) {
try {
Patternpattern = Pattern.compile(_regexp);
Matchermatch = pattern.matcher(file.getName());
returnmatch.matches();
} catch (Exception e) {
returntrue;
}
}
}
/**
* 解析输入流
* @param inputs
*/
FilesAnalyze (String path,String regexp){
getFileName(path,regexp);
}
/**
* 分析文件名并加入files
* @param input
*/
private void getFileName(String path,String regexp) {
//目录
_path=path;
_regexp=regexp;
File directory = new File(_path);
File[] filesFile =directory.listFiles(new MyFileFilter());
if (filesFile == null) return;
for (int j = 0; j <filesFile.length; j++) {
files.add(filesFile[j]);
}
return;
}
/**
* 显示输出信息
* @param out
*/
public void print (PrintStream out) {
Iterator elements = files.iterator();
while (elements.hasNext()) {
File file=(File)elements.next();
out.println(file.getPath());
}
}
public static void output(String path,String regexp) {
FilesAnalyze fileGroup1 = newFilesAnalyze(path,regexp);
fileGroup1.print(System.out);
}
public static void main (String[] args) {
output("C://","[A-z|.]*");
}
Java正则的功用还有很多，事实上只要是字符处理，就没有正则做不到的事情存在。（当然，正则解释时较耗时间就是了|||……）