Java 正则表达式

Java 正则表达式

http://wenku.baidu.com/link?url=DXDxyr_rYd4nVh3TMhoOjmHr_lYJ9ismfT4CR8FUgjbT2Ij9nWAvxRkpX5XQqcLDaM4rqL8HX2J9Aciu9FoyeWqiG4F668LDDUXmah9VXZ3

 表达式意义：

 1.字符
x    字符 x。例如a表示字符a
\\    反斜线字符。在书写时要写为\\\\。（注意：因为java在第一次解析时,把\\\\解析成正则表达式\\，在第二次解析时再解析为\，所以凡是不是1.1列举到的转义字符，包括1.1的\\,而又带有\的都要写两次） \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 ('\u000A') \r    回车符 ('\u000D') \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 2.字符类
[abc]    a、b或 c（简单类）。例如[egd]表示包含有字符e、g或d。
[^abc]    任何字符，除了 a、b或 c（否定）。例如[^egd]表示不包含字符e、g或d。 [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） 3.预定义字符类(注意反斜杠要写两次，例如\d写为\\d)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] \S    非空白字符：[^\s] \w    单词字符：[a-zA-Z_0-9] \W    非单词字符：[^\w]
4.POSIX 字符类（仅 US-ASCII)(注意反斜杠要写两次，例如\p{Lower}写为\\p{Lower}) \p{Lower}    小写字母字符：[a-z]。 \p{Upper}    大写字母字符：[A-Z] \p{ASCII}    所有 ASCII：[\x00-\x7F]
\p{Alpha}    字母字符：[\p{Lower}\p{Upper}] \p{Digit}    十进制数字：[0-9]
\p{Alnum}    字母数字字符：[\p{Alpha}\p{Digit}]
\p{Punct}    标点符号：!"#$%&'()*+,-./:;<=>?@[\]^_`{|}~ \p{Graph}    可见字符：[\p{Alnum}\p{Punct}] \p{Print}    可打印字符：[\p{Graph}\x20]

\p{Blank}    空格或制表符：[ \t] \p{Cntrl}    控制字符：[\x00-\x1F\x7F] \p{XDigit}    十六进制数字：[0-9a-fA-F] \p{Space}    空白字符：[ \t\n\x0B\f\r]
5.java.lang.Character 类（简单的 java 字符类型）
\p{javaLowerCase}    等效于 java.lang.Character.isLowerCase() \p{javaUpperCase}    等效于 java.lang.Character.isUpperCase() \p{javaWhitespace}    等效于 java.lang.Character.isWhitespace() \p{javaMirrored}    等效于 java.lang.Character.isMirrored() 6.Unicode 块和类别的类
\p{InGreek}    Greek 块（简单块）中的字符 \p{Lu}    大写字母（简单类别） \p{Sc}    货币符号
\P{InGreek}    所有字符，Greek 块中的除外（否定） [\p{L}&&[^\p{Lu}]]     所有字母，大写字母除外（减去） 7.边界匹配器
^    行的开头，请在正则表达式的开始处使用^。例如：^(abc)表示以abc开头的字符串。注意编译的时候要设置参数MULTILINE，如 Pattern p = Pattern.compile(regex,Pattern.MULTILINE);
$    行的结尾，请在正则表达式的结束处使用。例如：(^bca).*(abc$)表示以bca开头以abc结尾的行。 \b    单词边界。例如\b(abc)表示单词的开始或结束包含有abc,（abcjj、jjabc 都可以匹配） \B    非单词边界。例如\B(abc)表示单词的中间包含有abc,(jjabcjj匹配而jjabc、abcjj不匹配) \A    输入的开头
\G    上一个匹配的结尾(个人感觉这个参数没什么用)。例如\\Gdog表示在上一个匹配结尾处查找dog如果没有的话则从开头查找,注意如果开头不是dog则不能匹配。
\Z    输入的结尾，仅用于最后的结束符（如果有的话）
行结束符 是一个或两个字符的序列，标记输入字符序列的行结尾。 以下代码被识别为行结束符：  ‐新行（换行）符 ('\n')、 
‐后面紧跟新行符的回车符 ("\r\n")、  ‐单独的回车符 ('\r')、  ‐下一行字符 ('\u0085')、  ‐行分隔符 ('\u2028') 或  ‐段落分隔符 ('\u2029)。 \z    输入的结尾
当编译模式时，可以设置一个或多个标志，例如
Pattern pattern = Pattern.compile(patternString,Pattern.CASE_INSENSITIVE + Pattern.UNICODE_CASE); 下面六个标志都是支持的：
‐CASE_INSENSITIVE：匹配字符时与大小写无关，该标志默认只考虑US ASCII字符。 ‐UNICODE_CASE：当与CASE_INSENSITIVE结合时，使用Unicode字母匹配 ‐MULTILINE：^和$匹配一行的开始和结尾，而不是整个输入
‐UNIX_LINES： 当在多行模式下匹配^和$时，只将'\n'看作行终止符 ‐DOTALL: 当使用此标志时，.符号匹配包括行终止符在内的所有字符 ‐CANON_EQ: 考虑Unicode字符的规范等价 8.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 9.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 10.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
Greedy，Reluctant，Possessive的区别在于:(注意仅限于进行.等模糊处理时)
greedy量 词被看作“贪婪的”，因为它第一次就读入整个被模糊匹配的字符串。如果第一个匹配尝试（整个输入字符串）失败，匹配器就会在被匹配字符串中的最后一位后退 一个字符并且再次尝试，重复这个过程，直到找到匹配或者没有更多剩下的字符可以后退为止。根据表达式中使用的量词，它最后试图匹配的内容是1 个或者0个字符。
但是，reluctant量词采取相反的方式：它们从被匹配字符串的开头开始，然后逐步地一次读取一个字符搜索匹配。它们最后试图匹配的内容是整个输入字符串。
最后，possessive量词总是读完整个输入字符串，尝试一次（而且只有一次）匹配。和greedy量词不同，possessive从不后退。 11.Logical 运算符 XY    X 后跟 Y X|Y    X 或 Y
(X)    X，作为捕获组。例如(abc)表示把abc作为一个整体进行捕获 12.Back 引用
\n    任何匹配的 nth捕获组
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)
在表达式中可以通过\n来对相应的组进行引用，例如(ab)34\1就表示ab34ab，(ab)34(cd)\1\2就表示ab34cdabcd。 13.引用
\    Nothing，但是引用以下字符
\Q    Nothing，但是引用所有字符，直到 \E。QE之间的字符串会原封不动的使用(1.1中转义字符的除外)。例如, ab\\Q{|}\\\\E 可以匹配ab{|}\\
\E    Nothing，但是结束从 \Q开始的引用

 

14.特殊构造（非捕获） (?:X)    X，作为非捕获组
(?idmsux-idmsux)     Nothing，但是将匹配标志由 on 转为 off。比如：表达式 (?i)abc(?-i)def 这时，(?i) 打开不区分大小写开关，abc 匹配 idmsux说明如下：
‐i CASE_INSENSITIVE :US-ASCII 字符集不区分大小写。(?i) ‐d UNIX_LINES : 打开UNIX换行符 ‐m MULTILINE :多行模式(?m) UNIX下换行为\n
WINDOWS下换行为\r\n(?s)
‐u UNICODE_CASE : Unicode 不区分大小写。(?u)
‐x COMMENTS :可以在pattern里面使用注解，忽略pattern里面的whitespace，以及"#"一直到结尾（#后面为注解）。(?x)例如(?x)abc#asfsdadsa可以匹配字符串abc
(?idmsux-idmsux:X)     X，作为带有给定标志 on - off 的非捕获组。与上面的类似，上面的表达式，可以改写成为：(?i:abc)def，或者 (?i)abc(?-i:def)
(?=X)    X，通过零宽度的正 lookahead。零宽度正先行断言，仅当子表达式 X 在 此位置的右侧匹配时才继续匹配。例如，\w+(?=\d) 表示字母后面跟数字，但不捕获数字（不回溯）
(?!X)    X，通过零宽度的负 lookahead。零宽度负先行断言。仅当子表达式 X 不在 此位置的右侧匹配时才继续匹配。例如，\w+(?!\d) 表示字母后面不跟数字，且不捕获数字。
(?<=X)    X，通过零宽度的正 lookbehind。零宽度正后发断言。仅当子表达式 X 在 此位置的左侧匹配时才继续匹配。例如，(?<=19)99 表示99前面是数字19，但不捕获前面的19。（不回溯） (? (?>X)    X，作为独立的非捕获组（不回溯）
(?=X)与(?>X)的区别在于(?>X)是不回溯的。例如被匹配的字符串为abcm
当表达式为a(?:b|bc)m是可以匹配的，而当表达式是a(?>b|bc)时是不能匹配的，因为当后者匹配到b时，由于已经匹配，就跳出了非捕获组，而不再次对组内的字符进行匹配。可以加快速度。   
 
注意：有评论说最后一句说的有问题——“这里有问题！abcm也可被a(?>b|bc)匹配！”    
引言
    正则表达式（regular expression）就是用一个“字符串”来描述一个特征，然后去验证另一个“字符串”是否符合这个特征。比如 表达式“ab+” 描述的特征是“一个 'a' 和 任意个 'b' ”，那么 'ab', 'abb', 'abbbbbbbbbb' 都符合这个特征。
 
    正则表达式可以用来：（1）验证字符串是否符合指定特征，比如验证是否是合法的邮件地址。（2）用来查找字符串，从一个长的文本中查找符合指定特征的字符串，比查找固定字符串更加灵活方便。（3）用来替换，比普通的替换更强大。 
   正则表达式学习起来其实是很简单的，不多的几个较为抽象的概念也很容易理解。之所以很多人感觉正则表达式比较复杂，一方面是因为大多数的文档没有做到由浅 入深地讲解，概念上没有注意先后顺序，给读者的理解带来困难；另一方面，各种引擎自带的文档一般都要介绍它特有的功能，然而这部分特有的功能并不是我们首 先要理解的。 
    文章中的每一个举例，都可以点击进入到测试页面进行测试。闲话少说，开始

1. 正则表达式规则
 
1.1 普通字符
    字母、数字、汉字、下划线、以及后边章节中没有特殊定义的标点符号，都是"普通字符"。表达式中的普通字符，在匹配一个字符串的时候，匹配与之相同的一个字符。 
    举例1：表达式 "c"，在匹配字符串 "abcde" 时，匹配结果是：成功；匹配到的内容是："c"；匹配到的位置是：开始于2，结束于3。（注：下标从0开始还是从1开始，因当前编程语言的不同而可能不同） 
    举例2：表达式 "bcd"，在匹配字符串 "abcde" 时，匹配结果是：成功；匹配到的内容是："bcd"；匹配到的位置是：开始于1，结束于4。
 
1.2 简单的转义字符
    一些不便书写的字符，采用在前面加 "\" 的方法。这些字符其实我们都已经熟知了。 表达式
可匹配
\r, \n 代表回车和换行符
\t 制表符
\\ 代表 "\" 本身
    还有其他一些在后边章节中有特殊用处的标点符号，在前面加 "\" 后，就代表该符号本身。比如：^, $ 都有特殊意义，如果要想匹配字符串中 "^" 和 "$" 字符，则表达式就需要写成 "\^" 和 "\$"。 表达式
可匹配
\^ 匹配 ^ 符号本身
\$ 匹配 $ 符号本身
\. 匹配小数点（.）本身
    这些转义字符的匹配方法与 "普通字符" 是类似的。也是匹配与之相同的一个字符。 
    举例1：表达式 "\$d"，在匹配字符串 "abc$de" 时，匹配结果是：成功；匹配到的内容是："$d"；匹配到的位置是：开始于3，结束于5。
 
1.3 能够与 '多种字符' 匹配的表达式
    正则表达式中的一些表示方法，可以匹配 '多种字符' 其中的任意一个字符。比如，表达式 "\d" 可以匹配任意一个数字。虽然可以匹配其中任意字符，但是只能是一个，不是多个。这就好比玩扑克牌时候，大小王可以代替任意一张牌，但是只能代替一张牌。