正则表达式 Regular Expression

重新整理记录一下正则规则

一、定义

Regular Expression - 正规的/有规律的表达式，是计算机科学的一个概念。使用一个字符串来描述、匹配一系列符合某个句法规则的字符串

最初这个概念是由Unix中的工具软件如sed和grep普及开的，通常简写为regex

几乎所有操作系统以及编程语言中都有正则表达式的应用

二、引擎

正则引擎主要分为两大类：

DFA

NFA

POSIX NFA

一. DFA引擎

速度：最快

特点：以文本为主导

主要使用者：awk、egrep、flex、lex、MySQL、Procmail

二. NFA引擎

速度：次之

特点：以表达式为主导，更容易操纵，一般程序员更偏爱NFA

只要使用者：GNU Emacs、Java、ergp、less、.NET、PCRE

三. POSIX NFA

意义：为了防止继续出现不同引擎的变体而产生的统一引擎

速度：最慢

使用者：mawk、GNU Emacs（使用时显式指定）

三、表达式的构造

表达式的基本思路：对字符串中的字符一个一个的进行匹配

构造	匹配

Characters - 字符
x	字符x就带表某个字符x
\\	backslash 反斜杠
\0n	octal 八进制数n
\xhh	hexadecimal 十六进制数hh
\uhhhh	hexadecimal 十六进制数hhhh
\t	tab 制表符(‘\u0009’)
\n	newline 新行(‘\u000A’)
\r	carriage return 回车(‘\u000D’)

Character classes - 字符类型
[abc]	a,b, or c
[^abc]	exclusive OR 任意character except a,c, or c
[a-zA-Z]	a through z or A through Z
[a-d[m-p]]	并集，相当于[a-dm-p]
[a-z&&[bcd]]	交集，相当于[bcd]
[a-z&&[^bc]]	交集，相当于[ad-z]

Predefined character classes - 预定义的字符类型
.	任意character
\d	A digit:[0-9]
\D	A non-digit:[^0-9]
\s	whitespace:[ \t\n\x0B\f\r]，注意中括号的第一个字符是空格(ASCII32)不是\t
\S	non-whitespace:[^\s]
\w	A word:[a-zA-Z_0-9]
\W	A non-word:[^\w]

Boundary matchers - 边界匹配器
^	The beginning of a line
$	The end of a line
\b	A word boundary
\B	A non-word boundary

Greedy quantifiers - 贪婪量词
X?	X出现一次或not at all
X*	X出现0次或多次
X+	X出现一次或多次
X{n}	X固定出现n次
X{n,}	X至少出现n次
X{n,m}	X出现n到m次

Reluctant quantifiers - 勉强量词	由Greedy加”?”构成
X??	X出现一次或not at all
X*?	X出现0次或多次
X+?	X出现一次或多次
X{n}?	X固定出现n次
X{n,}?	X至少出现n次
X{n,m}?	X出现n到m次

Possessive quantifiers - 独占量词	由Greedy加”+”构成
X?+	X出现一次或not at all
X*+	X出现0次或多次
X++	X出现一次或多次
X{n}+	X固定出现n次
X{n,}+	X至少出现n次
X{n,m}+	X出现n到m次

Logical operators - 逻辑操作符
XY	X后面跟Y
X	Y
(X)	X，作为一个捕获组capturing group

Back references - 引用捕获组
\n	代表捕获组中的第n个，第0个默认代表整个表达式

Special constructs - 特殊构造	包括非捕获组
(?:X)	X作为非捕获组
(?=X)	X通过零宽度正向预测先行断言，匹配X前面的位置
(?!X)	X通过零宽度负预测先行断言，匹配后面跟的不是exp的位置
(?<=X)	X通过零宽度正回顾后发断言，匹配X后面的位置
(?	X通过零宽度负回顾后发断言，匹配前面不是X的位置
(?>X)	X作为独立组，非捕获

TIPS：

零宽度断言用于匹配那些：在X之前或之后的需求

四、一些点

1. Groups and capturing 组和捕获

捕获组的编号通过从左至右数左括号来编号，如表达式((A)(B(C)))中，

0：始终代表整个表达式

1：((A)(B(C)))

2：(A)

3：(B(C))

4：(C)

捕获的子序列可以通过上面说的Back references在表达式中使用

2. Backslash 反斜线

\Backslash反斜线用于：

引用转义构造

引用其它应该被解释为非转义构造的字符(转义字符想要正常使用)

另外，在Java中字符串中的反斜线被视为Unicode转义（写法\uxxxx）或其它字符转义，因此需要使用两个反斜线来代表原意

五、Java中

使用到的各种情况，功能直接或间接都是由java.util.regex包中的两个类Pattern和Matcher的方法来完成的

Pattern类

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：

Pattern p = Pattern.compile(regex);

Pattern只创建正则对象，而具体功能的实现则由Matcher类提供，典型的调用顺序是：

Pattern p = Pattern.compile("a*b");
Matcher m = p.matcher("aaaaaab");
boolean b = m.matches();

Matcher类

通过解释某个固定的Pattern从而对固定character sequence执行匹配操作的引擎

Matcher对象一经建立，其Pattern和String都已经确定了

匹配器可以执行3种不同的匹配操作：

matches

将整个输入序列与该模式进行匹配

lookingAt

将输入序列从头开始与该模式匹配

find

扫描输入序列以查找与该模式匹配的下一个子序列

当由以上3个中任意一个匹配方法匹配成功后，就可做很多事情了，如：

m.group();//获取刚刚匹配的输入子序列

m.start();//获取刚刚匹配的输入子序列的开始索引

m.end();//同上，结束索引

1. 匹配

/**
* 1. 匹配
*  方法：使用String的matches()
*  规则：第一位必须是1，第二位可以是3/5/8，后面是9位数字
*/
String str1 = "13812312319";
String regex1 = "1[358]\\d{9}";
System.out.println(str1.matches(regex1));//true

2. 分割

/**
* 2. 分割
*  方法：使用String的split()
*  目标：
*  2.1 任意个空格的分割
*  2.2 以.分割：需要注意取消.在正则中代表任意字符的含义
*  2.3 重复的字符来分割，需要使用分组，因为要求第2个字符跟第1个相同
*/
String str21 = "asdf 909  sdfd sadf           sdf";
String regex21 = "\u0020+";//空格就是\u0020(十进制32)，也可以直接敲个 (前面是个空格)，或者使用\\s
String [] strs21 = str21.split(regex21);

String str22 = "asdf.909.sdfd.sadf.sdf";
String regex22 = "\\.";//首先\.代表想正常使用点(而不是正则字符)，又因为在Java的String中，所以再加\
String [] strs22 = str22.split(regex22);

String str23 = "asdfssss909aaaasdfdbbbbbsadfttttsdf";
String regex23 = "([a-z])\\1+";//首先，第一个字符是任意小写英文；接着，第二个字符和第一个一样；最后，第二个字符出现至少一次
String [] strs23 = str23.split(regex23);

3. 替换

/**
* 3. 替换
*  方法：使用String的replaceAll()
*  目标：
*  3.1 简单替换
*  3.2 使用被替换的内容替换，将重复的变为1个：需使用组，可以在方法第二个参数中使用美元符号$选取组
*  3.3 手机号码中4位用*号代替
*/
String str31 = "asdf 909  sdfd sadf           sdf";
String regex31 = "\u0020+";
str31 = str31.replaceAll(regex31, "1");//asdf19091sdfd1sadf1sdf

String str32 = "asdf 909  sdfd sadf           sdf";
String regex32 = "(\u0020)+";
str32 = str32.replaceAll(regex32, "$1");//asdf 909 sdfd sadf sdf

String str33 = "13812312319";
String regex33 = "(.{3}).{4}(.{4})";//将需要保留的内容编组保留，以便之后还原，然后整体替换
str33 = str33.replaceAll(regex33, "$1****$2");

4. 获取

/**
* 4. 获取
*  方法：创建一个匹配给定输入(String)和给定模式(Pattern)的匹配器(Matcher)
*  目标：
*  4.1 获取3个字母组成的单词
*/
String str41 = "asdf, sdd*adf%$$sdsf";
String regex41 = "[a-z]{3}";
Pattern p = Pattern.compile(regex41);//创建正则模式对象
Matcher m = p.matcher(str41);//创建根据固定字符串和模式的匹配器
while(m.find()){//查找一个匹配的子序列
System.out.println(m.group());//返回之前匹配的输入子序列
}

完整的学习正则表达式和Java中的正则，我推荐两个地址：

正则表达式30分钟入门教程

JavaSE8的API中的java.util.regex.Pattern类

正则表达式所有东西还是不少的，较为复杂，而且平常使用的只是一小部分，没有必要全学完

可以学会常用的，不常用的用到时去上面两个地方查询