Java與正則表達式 </h1>

標簽： Java基礎

---

正則

正如正則的名字所顯示的是描述了一個規則, 通過這個規則去匹配字符串. 學習正則就是學習正則表達式的語法規則

正則語法

普通字符

字母, 數字, 漢字, 下劃線, 以及沒有特殊定義的標點符號都是普通字符. 表達式中的普通字符在匹配一個字符串時, 匹配與之相同的一個字符.

轉義字符

標準字符集合

• 注意大小寫: 大寫是取反

自定義字符集合

[] 方括號匹配方式, 能夠匹配方括號中的任意一個字符.

注:

• 正則表達式中的特殊符號, 被包含到[]中, 則失去特殊意義, 除了- ^之外.
  
  • []中的^表示取反的含義.
  • []中的-表示范圍的含義
• 標準字符集合(除小數點外),如果被包含于中括號中,則自定義集合將包含該集合.
  如[\d.\-+]將匹配: 數字, 小數點, -, +

量詞

• 貪婪模式與非貪婪模式
  貪婪模式: 匹配字符越多越好, 默認.
  非貪婪模式: 匹配字符越少越好, 需要在量詞后再加上一個?號.

• 示例

  • 匹配手機號1[358]\d{9}
  • 匹配郵箱 ([\w\-\.]+)@([0-9a-zA-Z\-]+)(\.[a-zA-Z]{2,4}){1,2}

字符邊界

零寬匹配: 匹配的不是字符而是位置(符合某種條件的位置),不匹配任何字符.

注: \b會匹配這樣一個位置: 前面的字符與后面的字符不全是\w

選擇符與分組

注: 非捕獲組可以用于當處理大量文本時用于優化內存分配.

• 反引用\nnn
  由上面可知, 捕獲組默認被分配了編號, 通過反向引用, 可以對分組已捕獲的字符串進行引用
• 示例
  (\w{2})\1 匹配類似toto dodo gogo這樣由一個單詞復制而來得到的字符串
  (img)\w+\1 匹配前后都是img的字符串

零寬斷言(預搜索)

• 零寬度: 只進行子表達式的匹配, 匹配內容不計入最終的匹配結果.
• 位置匹配: 判斷當前位置的前后字符是否符合指定的條件, 但不保留前后的字符.

正則表達式中, 如果子表達式匹配到得是字符內容, 而非位置, 并被保留到最終的匹配結果中, 那么就認為這個子表達式是占有字符的; 如果子表達式匹配的僅僅是位置, 或者匹配的內容并不保存到最終的匹配結果中, 那么就認為這個子表達式是零寬度的(占有字符或零寬度, 是針對匹配的內容是否保留到最終結果而言的)

• 示例
  [a-z]+(?=ing) 匹配所有以ing結尾的單詞, 但ing并不放入字符串
  [a-z]+(?=\d+) 匹配所有以數字結尾的單詞
  [a-z]+(?!\d+) 匹配不以數字結尾的單詞
  (?<=(href=\")) 匹配以href="開頭的字符串

Java Pattern與Matcher

• java.util.regex包下提供的Pattern與Matcher兩個類提供了在Java中的正則支持;
• Pattern對象是正則表達式編譯后在內存中的表現形式, 因此, 正則表達式字符串必須先被編譯為Pattern對象Pattern pattern = Pattern.compile("\\w+");然后再利用該Pattern對象創建對象的Matcher對象Matcher matcher = pattern.matcher(input);.
• Matcher對象是一個對CharSequence執行匹配操作的正則引擎: 執行匹配所涉及的狀態保留在Matcher對象中, 多個Matcher對象可共享同一個Pattern對象.

/**
 * Created by jifang on 15/12/15.
 */
public class LearnRegexp {

    @Test
    public void testSearch() {
        String input = "hello1997&&2000";

        // 將一個正則表達式編譯成Pattern對象
        Pattern pattern = Pattern.compile("\\w+");
        Matcher matcher = pattern.matcher(input);

        // matches嘗試將整個字符序列與該模式匹配
        System.out.println(matcher.matches());

        // reset將matcher中的指針重新定位
        matcher.reset();
        // find 方法掃描整個字符串, 查找能否找到下一個符合該模式字符串
        while (matcher.find()) {
            String group = matcher.group();
            System.out.println(group);
        }
    }

    /**
     * 將所有的數字都替換成'#'
     */
    @Test
    public void testReplace() {
        String input = "1j2h3h4g5o";
        Matcher replace = Pattern.compile("[0-9]").matcher(input);
        input = replace.replaceAll("#");
        System.out.println(input);
    }

    /**
     * 將字符串按數字分割
     */
    @Test
    public void testSplit() {
        String input = "1j24h356h467g589o";
        String[] strings = input.split("\\d+");
        for (String str : strings) {
            System.out.println(str);
        }
    }
}

由上例可以看到: 其實String中某些方法也支持正則表達式, 如split, replace等(Pattern,Matcher與String的其他用法請參考JDK文檔).

小實驗-抓取網頁中所有的超鏈接

/**
 * 模仿網絡爬蟲, 抓取網站html, 將里面所有的超鏈接都分析出來
 * Created by jifang on 15/12/15.
 */
public class HtmlAnalyzer {

    private final String FILE_PATH = "/Users/jifang/save.txt";

    @Test
    public void client() throws IOException {
        String html = downloadHtml("http://www.163.com/", "gbk");
        // (?<=(href=\"))(?:[\w.\/\:\?\=\&]+)(?=\")  匹配url的正則
        Set<String> urlSet = analyzeHtml(html, "(?<=(href=\\\"))(?:[\\w.\\/\\:\\?\\=\\&]+)(?=\\\")");
        saveToFile(urlSet);
        System.out.println();
    }

    private String downloadHtml(String url, String charset) throws IOException {
        URL readUrl = new URL(url);
        BufferedReader reader = new BufferedReader(new InputStreamReader(readUrl.openStream(), charset));
        return CharStreams.toString(reader);
    }

    private Set<String> analyzeHtml(String html, String regex) {

        Set<String> urlSet = new HashSet<>();
        // 匹配url的正則表達式
        Matcher matcher = Pattern.compile(regex).matcher(html);
        while (matcher.find()) {
            String group = matcher.group();
            urlSet.add(group);
        }

        return urlSet;
    }

    private void saveToFile(Set<String> urlSet) throws IOException {
        PrintStream printer = new PrintStream(new FileOutputStream(FILE_PATH));
        for (String url : urlSet) {
            printer.println(url);
        }
        printer.flush();
        printer.close();
    }
}

• 附- 運行上程序需要在pom.xml中添加以下依賴

<dependency>
    <groupId>com.google.guava</groupId>
    <artifactId>guava</artifactId>
    <version>18.0</version>
</dependency>

推薦幾個正則驗證工具:

• Mac端: RegExRX
• Win端: RegexBuddy
• Web端: 在線正則表達式測試

參考

• 揭開正則表達式的神秘面紗
• Java正則表達式教程