[学习笔记]Java正则表达式
1. 概述
正则表达式是用于描述字符串复杂规则的工具，换句话说，正则表达式就是记录文本规则的代码。
2. 优势与劣势
优势：用了一些符号来代表这些代码，书写起来更为简单。
劣势：因为都是一些符号组成的表达式，所以阅读起来可读性不高，而且先要把符号学完。
劣势：因为都是一些符号组成的表达式，所以阅读起来可读性不高，而且先要把符号学完。
3. 格式
3.1 元字符
- . 匹配除换行符以外的任意字符
- \w 匹配字母或数字或下划线或汉字
- \s 匹配任意的空白符
- \d 匹配数字
- \b 匹配单词的开始或结束
- ^ 匹配字符串的开始
- $ 匹配字符串的结束
示例
- \b\w\w\b：匹配由2个字母构成的单词。（Java字符串中为"\\b\\w\\w\\b"）
3.2 限定符
- * 重复零次或更多次
- + 重复一次或更多次
- ? 重复零次或一次
- {n} 重复n次
- {n,} 重复n次或更多次
- {n,m} 重复n到m次
示例
- \ba\w*\b：匹配以字母a开头的单词。（Java字符串中为"\\ba\\w*\\b"）
- \d+：匹配1个或更多连续的数字。（Java字符串中为"\\d+"）
- \b\w{6}\b：匹配刚好6个字符的单词。（Java字符串中为"\\b\\w{6}\\b"）
3.3 字符与字符转义
- 单个字符的判断可以使用集合概念，只需使用"[]"即可，例如："[aeiou]"匹配任何一个英文元音字母。
- 在Java字符串中，由于字符"\"本身具有转义性，所以凡是带有"\"的正则表达式，均需要使用"\\"来替代"\"。例如上述例子"\d+"在Java字符串中应写成"\\d+"。
- 如果需要匹配正则表达式中有特殊意义的字符本身，需要使用"\"进行转义。例如可以使用正则表达式"\\w*\.\\w*"来匹配"abc.com"。
示例
- \(?0\d{2,3}[) -]?\d{7,8}：匹配几种格式的电话号码，类似(010)88886666，或0554-22334455，或05541234567等。
3.4 分支条件（逻辑或）
- 如果多种情况需要匹配，可以使用"|"将多种正则表达式连接在一起成为一个，任何满足其中一个正则表达式即可匹配。
示例
- 0\d{2}-\d{8}|0\d{3}-\d{7}：匹配两种以连字号分隔的电话号码：一种是三位区号，8位本地号(如010-12345678)，一种是4位区号，7位本地号(0376-2233445)。
3.5 分组
- 如果需要对多个字符进行重复或者在Java字符串中进行替换处理，可以使用分组，符号为"()"。
- Java字符串处理中，使用"\数字"来代替前面的第几个分组，例如"(.)\\1+"匹配出现连续相同字符。
示例
- (\d{1,3}\.){3}\d{1,3}：简单的IP地址匹配表达式，但是类似"111.222.666.999"的IP地址也视为匹配。
- ((2[0-4]\d|25[0-5]|[01]?\d\d?)\.){3}(2[0-4]\d|25[0-5]|[01]?\d\d?)：IP地址匹配表达式，由于正则表达式不支持数学运算和比较，所以只能使用繁杂的分组和分支来实现。
3.6 反义
- \W 匹配任意不是字母，数字，下划线，汉字的字符
- \S 匹配任意不是空白符的字符
- \D 匹配任意非数字的字符
- \B 匹配不是单词开头或结束的位置
- [^x] 匹配除了x以外的任意字符
- [^aeiou] 匹配除了aeiou这几个字母以外的任意字符
示例
- \S+：匹配不包含空白符的字符串。
字符串（String类）
1. 匹配
方法
- boolean matches(String regex)
示例
String num = "13988887777\nhaha";
String numRegex = "[1][3578]\\d{9}"; // 匹配手机号码
boolean b = num .matches(numRegex );
2. 分割
方法
- String[] split(String regex)
- String[] split(String regex, int limit)
示例
public static void split() {
String str1 = "itheima.java.jacob.meteor";
// 按“.”分割字符串
String regex1 = "\\.";
String str2 = "itheima java jacob \tmeteor";
// 按空白字符分割字符串
String regex2 = "\\s+";
String str3 = "itheimaeeejava$$jacoboooometeor";
// 按重复字符分割字符串
String regex3 = "(.)\\1+";
split (str1 , regex1 );
split (str2 , regex2 );
split (str3 , regex3 );
}
public static void split(String str, String regex) {
String[] arr = str.split(regex);
for (String string : arr ) {
System.out.print( string + " | ");
}
System.out.println();
}
3. 替代
方法
- String replaceAll(String regex, String replacement)
- String replaceFirst(String regex, String replacement)
示例
String str1 = "itheima######java&&&&&&&meteor";
// 将将叠词替换成"-"
str1 = str1 .replaceAll("(.)\\1+" , "-" );
String str2 = "itheima######java&&&&&&&meteor";
// 将将叠词替换成其中的一个，多个######用#替换。
// 当在第二个参数中使用第一个正则参数中的组时，可以使用$编号来完成组的调用。\\1只能使用在正则表达式中。
str2 = str2 .replaceAll("(.)\\1+" , "$1" );
String str3 = "13988887777";
// 将电话中的中间四位替换成****;
str3 = str3 .replaceAll("(\\d{3})(\\d{4})(\\d{4})" , "$1****$3");
正则表达式相关API
1. Pattern类（java.util.regex）
概述
正则表达式的编译表现形式，每一个正则表达式在编译后都是一个Pattern对象。该类无构造器，使用静态方法编译正则表达式获取实例。Pattern的作用是将正则字符串封装成正则对象。
方法
- 编译正则表达式
static Pattern compile(String regex) - 按正则表达式获取匹配输入的匹配器
Matcher matcher(CharSequence input) - 按给定正则表达式匹配字符序列
static boolean matches(String regex, CharSequence input) - 获取该正则表达式
String pattern() - 按正则表达式分割字符序列
String[] split(CharSequence input)
String[] split(CharSequence input, int limit)
2. Matcher类（java.util.regex）
概述
字符串与正则表达式的匹配表现形式，起作用就是将字符串和正则表达式的匹配封装成对象。该类无构造器，一般通过Pattern类实例创建匹配器实例。
方法
- 匹配下一处
boolean find() - 重置匹配器，从start开始匹配下一处
boolean find(int start) - 获取先前已经匹配的字符串
String group() - 获取匹配成功的次数
int groupCount() - 从区域开头开始匹配
boolean lookingAt() - 整个区域进行匹配
boolean matches() - 获取该匹配器的正则表达式对象
Pattern pattern() - 对匹配器的区域进行限制
Matcher region(int start, int end) - 全部替换
String replaceAll(String replacement) - 替换匹配第一处
String replaceFirst(String replacement) - 重置匹配器
Matcher reset() - 使用新的字符序列重置匹配器
Matcher reset(CharSequence input) - 获取上一次匹配的开始索引
int start()
3. 匹配步骤
- 将正则表达式的字符串格式先通过Pattern中的compile方法编译成Pattern正则表达式对象。
Pattern p = Pattern.compile("a*b"); - 要想用这个规则对字符串进行操作，还需要通过正则对象matcher方法和指定的字符串关联，并获取匹配器对象Matcher。
Matcher m = p.matcher("aaaaab"); - 用匹配器对象Matcher的功能(方法)对字符串进行操作。
一般使用matches()，find()，lookingAt()，start()，end()，等方法。
4. 示例
package regex;
import java.util.regex.Matcher;
import java.util.regex.Pattern;
public class PatternDemo {
public static void main(String[] args) {
// 需求：获取字符串中由10个字母及以上组成的单词。
String str =
"Backslashes within string literals in Java source code are interpreted as required "
+ "by The Java Language Specification as either Unicode escapes (section 3.3) or other "
+ "character escapes (section 3.10.6) It is therefore necessary to double backslashes "
+ "in string literals that represent regular expressions to protect them from "
+ "interpretation by the Java bytecode compiler. The string literal b, "
+ "for example, matches a single backspace character when interpreted as a regular "
+ "expression, while b matches a word boundary. The string literal (hello) is illegal "
+ "and leads to a compile-time error; in order to match the string (hello) the string "
+ "literal (hello) must be used.";
// 定义规则。
String regex = "\\b[a-zA-Z]{10,}\\b";
// 1. 将正则字符串编译成正则对象。
Pattern p = Pattern.compile(regex );
// 2. 将正则对象和字符串相关联，并获取匹配器。
Matcher m = p.matcher(str);
// 3. 使用find的方法
/*
* m.lookingAt()方法从头匹配正则表达式一次。
* m.start()和m.end()分别能够获取匹配字符串的头尾索引值。
*/
while ( m.find()) {
System.out.println( m.group());
}
}
}
案例
1. 常见匹配
package regex;
import java.util.Arrays;
public class Text_Regex {
public static void main(String[] args) {
// 需求1：匹配电子邮箱
matchEmail();
/*
* 需求2：
* 把“我我.....我我.我....我.要.要要.....要.要学....学...学学....学.学编..编....编..编.编.程程.程...
* ..程.程程”
* 还原成：我要学编程。
*/
replace();
/*
* 需求3：
* 127.0.0.1 3.3.3.3 192.168.104.23 10.10.10.10
* 要求按照 ip地址的分类进行从小到大的排序。
*/
sortIP();
}
public static void sortIP() {
/*
* 思路：
* 由于需要按照数字排序，而字符串排序方式为字典顺序排序，所以先补零以获得同等长度IP地址字符串，再排序，最后还原。
*/
String ip = "127.0.0.1 3.3.3.3 192.168.104.23 10.10.10.10";
ip = ip.replaceAll( "(\\d+)", "00$1" );
ip = ip.replaceAll( "0*(\\d{3})", "$1" );
String[] ips = ip.split("\\s+");
Arrays.sort(ips );
for (String string : ips) {
string = string.replaceAll( "0*(\\d+)", "$1" );
System.out.println( string);
}
}
public static void replace() {
String str = "我我.....我我.我....我.要.要要.....要.要学....学...学学....学.学编..编....编..编.编.程程.程.....程.程程" ;
str = str.replaceAll( "\\.+", "" );
str = str.replaceAll( "(.)\\1+", "$1" );
System.out.println( str);
}
public static void matchEmail() {
String email = "[email protected]";
String regex = "\\w+@[a-zA-Z0-9]+(\\.[a-zA-Z]+){1,3}" ;
boolean b = email.matches( regex);
System.out.println( b);
}
}
2. 网络爬虫
package regex;
import java.io.BufferedReader;
import java.io.IOException;
import java.io.InputStreamReader;
import java.net.URL;
import java.net.URLConnection;
import java.util.HashSet;
import java.util.Set;
import java.util.regex.Matcher;
import java.util.regex.Pattern;
public class Text_NetSpider {
public static void main(String[] args) {
/*
* 需求：网络爬虫
* 获取某网页上的所有邮箱地址
*/
String url = "http://tieba.baidu.com/p/2720132008";
Set<String> email = null;
try {
email = getEmail(url );
} catch (IOException e) {
e.printStackTrace();
}
for (String string : email) {
System.out.println( string);
}
}
public static Set<String> getEmail(String urlStr ) throws IOException {
Set<String> email = new HashSet<String>();
String regex = "\\w+@[a-zA-Z0-9]+(\\.[a-zA-Z]+){1,3}" ;
Pattern p = Pattern.compile(regex );
URL url = new URL( urlStr);
URLConnection conn = url.openConnection();
BufferedReader br = new BufferedReader( new InputStreamReader(conn.getInputStream()));
String content = null;
while (( content = br.readLine()) != null) {
Matcher m = p.matcher(content);
while ( m.find()) {
email.add( m.group());
}
}
br.close();
return email;
}
}
1. 概述
正则表达式是用于描述字符串复杂规则的工具，换句话说，正则表达式就是记录文本规则的代码。
2. 优势与劣势
优势：用了一些符号来代表这些代码，书写起来更为简单。
劣势：因为都是一些符号组成的表达式，所以阅读起来可读性不高，而且先要把符号学完。
劣势：因为都是一些符号组成的表达式，所以阅读起来可读性不高，而且先要把符号学完。
3. 格式
3.1 元字符
- . 匹配除换行符以外的任意字符
- \w 匹配字母或数字或下划线或汉字
- \s 匹配任意的空白符
- \d 匹配数字
- \b 匹配单词的开始或结束
- ^ 匹配字符串的开始
- $ 匹配字符串的结束
示例
- \b\w\w\b：匹配由2个字母构成的单词。（Java字符串中为"\\b\\w\\w\\b"）
3.2 限定符
- * 重复零次或更多次
- + 重复一次或更多次
- ? 重复零次或一次
- {n} 重复n次
- {n,} 重复n次或更多次
- {n,m} 重复n到m次
示例
- \ba\w*\b：匹配以字母a开头的单词。（Java字符串中为"\\ba\\w*\\b"）
- \d+：匹配1个或更多连续的数字。（Java字符串中为"\\d+"）
- \b\w{6}\b：匹配刚好6个字符的单词。（Java字符串中为"\\b\\w{6}\\b"）
3.3 字符与字符转义
- 单个字符的判断可以使用集合概念，只需使用"[]"即可，例如："[aeiou]"匹配任何一个英文元音字母。
- 在Java字符串中，由于字符"\"本身具有转义性，所以凡是带有"\"的正则表达式，均需要使用"\\"来替代"\"。例如上述例子"\d+"在Java字符串中应写成"\\d+"。
- 如果需要匹配正则表达式中有特殊意义的字符本身，需要使用"\"进行转义。例如可以使用正则表达式"\\w*\.\\w*"来匹配"abc.com"。
示例
- \(?0\d{2,3}[) -]?\d{7,8}：匹配几种格式的电话号码，类似(010)88886666，或0554-22334455，或05541234567等。
3.4 分支条件（逻辑或）
- 如果多种情况需要匹配，可以使用"|"将多种正则表达式连接在一起成为一个，任何满足其中一个正则表达式即可匹配。
示例
- 0\d{2}-\d{8}|0\d{3}-\d{7}：匹配两种以连字号分隔的电话号码：一种是三位区号，8位本地号(如010-12345678)，一种是4位区号，7位本地号(0376-2233445)。
3.5 分组
- 如果需要对多个字符进行重复或者在Java字符串中进行替换处理，可以使用分组，符号为"()"。
- Java字符串处理中，使用"\数字"来代替前面的第几个分组，例如"(.)\\1+"匹配出现连续相同字符。
示例
- (\d{1,3}\.){3}\d{1,3}：简单的IP地址匹配表达式，但是类似"111.222.666.999"的IP地址也视为匹配。
- ((2[0-4]\d|25[0-5]|[01]?\d\d?)\.){3}(2[0-4]\d|25[0-5]|[01]?\d\d?)：IP地址匹配表达式，由于正则表达式不支持数学运算和比较，所以只能使用繁杂的分组和分支来实现。
3.6 反义
- \W 匹配任意不是字母，数字，下划线，汉字的字符
- \S 匹配任意不是空白符的字符
- \D 匹配任意非数字的字符
- \B 匹配不是单词开头或结束的位置
- [^x] 匹配除了x以外的任意字符
- [^aeiou] 匹配除了aeiou这几个字母以外的任意字符
示例
- \S+：匹配不包含空白符的字符串。
字符串（String类）
1. 匹配
方法
- boolean matches(String regex)
示例
String num = "13988887777\nhaha";
String numRegex = "[1][3578]\\d{9}"; // 匹配手机号码
boolean b = num .matches(numRegex );
2. 分割
方法
- String[] split(String regex)
- String[] split(String regex, int limit)
示例
public static void split() {
String str1 = "itheima.java.jacob.meteor";
// 按“.”分割字符串
String regex1 = "\\.";
String str2 = "itheima java jacob \tmeteor";
// 按空白字符分割字符串
String regex2 = "\\s+";
String str3 = "itheimaeeejava$$jacoboooometeor";
// 按重复字符分割字符串
String regex3 = "(.)\\1+";
split (str1 , regex1 );
split (str2 , regex2 );
split (str3 , regex3 );
}
public static void split(String str, String regex) {
String[] arr = str.split(regex);
for (String string : arr ) {
System.out.print( string + " | ");
}
System.out.println();
}
3. 替代
方法
- String replaceAll(String regex, String replacement)
- String replaceFirst(String regex, String replacement)
示例
String str1 = "itheima######java&&&&&&&meteor";
// 将将叠词替换成"-"
str1 = str1 .replaceAll("(.)\\1+" , "-" );
String str2 = "itheima######java&&&&&&&meteor";
// 将将叠词替换成其中的一个，多个######用#替换。
// 当在第二个参数中使用第一个正则参数中的组时，可以使用$编号来完成组的调用。\\1只能使用在正则表达式中。
str2 = str2 .replaceAll("(.)\\1+" , "$1" );
String str3 = "13988887777";
// 将电话中的中间四位替换成****;
str3 = str3 .replaceAll("(\\d{3})(\\d{4})(\\d{4})" , "$1****$3");
正则表达式相关API
1. Pattern类（java.util.regex）
概述
正则表达式的编译表现形式，每一个正则表达式在编译后都是一个Pattern对象。该类无构造器，使用静态方法编译正则表达式获取实例。Pattern的作用是将正则字符串封装成正则对象。
方法
- 编译正则表达式
static Pattern compile(String regex) - 按正则表达式获取匹配输入的匹配器
Matcher matcher(CharSequence input) - 按给定正则表达式匹配字符序列
static boolean matches(String regex, CharSequence input) - 获取该正则表达式
String pattern() - 按正则表达式分割字符序列
String[] split(CharSequence input)
String[] split(CharSequence input, int limit)
2. Matcher类（java.util.regex）
概述
字符串与正则表达式的匹配表现形式，起作用就是将字符串和正则表达式的匹配封装成对象。该类无构造器，一般通过Pattern类实例创建匹配器实例。
方法
- 匹配下一处
boolean find() - 重置匹配器，从start开始匹配下一处
boolean find(int start) - 获取先前已经匹配的字符串
String group() - 获取匹配成功的次数
int groupCount() - 从区域开头开始匹配
boolean lookingAt() - 整个区域进行匹配
boolean matches() - 获取该匹配器的正则表达式对象
Pattern pattern() - 对匹配器的区域进行限制
Matcher region(int start, int end) - 全部替换
String replaceAll(String replacement) - 替换匹配第一处
String replaceFirst(String replacement) - 重置匹配器
Matcher reset() - 使用新的字符序列重置匹配器
Matcher reset(CharSequence input) - 获取上一次匹配的开始索引
int start()
3. 匹配步骤
- 将正则表达式的字符串格式先通过Pattern中的compile方法编译成Pattern正则表达式对象。
Pattern p = Pattern.compile("a*b"); - 要想用这个规则对字符串进行操作，还需要通过正则对象matcher方法和指定的字符串关联，并获取匹配器对象Matcher。
Matcher m = p.matcher("aaaaab"); - 用匹配器对象Matcher的功能(方法)对字符串进行操作。
一般使用matches()，find()，lookingAt()，start()，end()，等方法。
4. 示例
package regex;
import java.util.regex.Matcher;
import java.util.regex.Pattern;
public class PatternDemo {
public static void main(String[] args) {
// 需求：获取字符串中由10个字母及以上组成的单词。
String str =
"Backslashes within string literals in Java source code are interpreted as required "
+ "by The Java Language Specification as either Unicode escapes (section 3.3) or other "
+ "character escapes (section 3.10.6) It is therefore necessary to double backslashes "
+ "in string literals that represent regular expressions to protect them from "
+ "interpretation by the Java bytecode compiler. The string literal b, "
+ "for example, matches a single backspace character when interpreted as a regular "
+ "expression, while b matches a word boundary. The string literal (hello) is illegal "
+ "and leads to a compile-time error; in order to match the string (hello) the string "
+ "literal (hello) must be used.";
// 定义规则。
String regex = "\\b[a-zA-Z]{10,}\\b";
// 1. 将正则字符串编译成正则对象。
Pattern p = Pattern.compile(regex );
// 2. 将正则对象和字符串相关联，并获取匹配器。
Matcher m = p.matcher(str);
// 3. 使用find的方法
/*
* m.lookingAt()方法从头匹配正则表达式一次。
* m.start()和m.end()分别能够获取匹配字符串的头尾索引值。
*/
while ( m.find()) {
System.out.println( m.group());
}
}
}
案例
1. 常见匹配
package regex;
import java.util.Arrays;
public class Text_Regex {
public static void main(String[] args) {
// 需求1：匹配电子邮箱
matchEmail();
/*
* 需求2：
* 把“我我.....我我.我....我.要.要要.....要.要学....学...学学....学.学编..编....编..编.编.程程.程...
* ..程.程程”
* 还原成：我要学编程。
*/
replace();
/*
* 需求3：
* 127.0.0.1 3.3.3.3 192.168.104.23 10.10.10.10
* 要求按照 ip地址的分类进行从小到大的排序。
*/
sortIP();
}
public static void sortIP() {
/*
* 思路：
* 由于需要按照数字排序，而字符串排序方式为字典顺序排序，所以先补零以获得同等长度IP地址字符串，再排序，最后还原。
*/
String ip = "127.0.0.1 3.3.3.3 192.168.104.23 10.10.10.10";
ip = ip.replaceAll( "(\\d+)", "00$1" );
ip = ip.replaceAll( "0*(\\d{3})", "$1" );
String[] ips = ip.split("\\s+");
Arrays.sort(ips );
for (String string : ips) {
string = string.replaceAll( "0*(\\d+)", "$1" );
System.out.println( string);
}
}
public static void replace() {
String str = "我我.....我我.我....我.要.要要.....要.要学....学...学学....学.学编..编....编..编.编.程程.程.....程.程程" ;
str = str.replaceAll( "\\.+", "" );
str = str.replaceAll( "(.)\\1+", "$1" );
System.out.println( str);
}
public static void matchEmail() {
String email = "[email protected]";
String regex = "\\w+@[a-zA-Z0-9]+(\\.[a-zA-Z]+){1,3}" ;
boolean b = email.matches( regex);
System.out.println( b);
}
}
2. 网络爬虫
package regex;
import java.io.BufferedReader;
import java.io.IOException;
import java.io.InputStreamReader;
import java.net.URL;
import java.net.URLConnection;
import java.util.HashSet;
import java.util.Set;
import java.util.regex.Matcher;
import java.util.regex.Pattern;
public class Text_NetSpider {
public static void main(String[] args) {
/*
* 需求：网络爬虫
* 获取某网页上的所有邮箱地址
*/
String url = "http://tieba.baidu.com/p/2720132008";
Set<String> email = null;
try {
email = getEmail(url );
} catch (IOException e) {
e.printStackTrace();
}
for (String string : email) {
System.out.println( string);
}
}
public static Set<String> getEmail(String urlStr ) throws IOException {
Set<String> email = new HashSet<String>();
String regex = "\\w+@[a-zA-Z0-9]+(\\.[a-zA-Z]+){1,3}" ;
Pattern p = Pattern.compile(regex );
URL url = new URL( urlStr);
URLConnection conn = url.openConnection();
BufferedReader br = new BufferedReader( new InputStreamReader(conn.getInputStream()));
String content = null;
while (( content = br.readLine()) != null) {
Matcher m = p.matcher(content);
while ( m.find()) {
email.add( m.group());
}
}
br.close();
return email;
}
}