JavaSE-31 JavaRegex

標籤：pre   ever   compile   聲明   線程   find   efi   相同   目標   

概述

Regex是一個強大的字串處理工具，可以實現對字串的尋找、提取、分割、替換等操作。

String類的幾個方法需要依賴Regex的支援。

方法	方法說明
boolean matches(String regex)	判斷該字串是否匹配指定的Regex
String replaceAll(String regex,String replacement)	將該字串中所有匹配regex的子字串替換成replacement
String replaceFirst(String regex,String replacement)	將該字串中第一個匹配regex的子字串替換成replacement
String[] split(String regex)	以regex作為分隔字元，把該字串分割成多個子字串

Java提供了Pattern和Matcher類支援Regex。

 

建立Regex

Regex文法構成

字元	說明
\	將下一字元標記為特殊字元、文本、反向引用或八進位轉義符。例如，"n"匹配字元"n"。"\n"匹配分行符號。序列"\\\\"匹配"\\"，"\\("匹配"("。
^	匹配輸入字串開始的位置。如果設定了 RegExp 對象的 Multiline 屬性，^ 還會與"\n"或"\r"之後的位置匹配。
$	匹配輸入字串結尾的位置。如果設定了 RegExp 對象的 Multiline 屬性，$ 還會與"\n"或"\r"之前的位置匹配。
*	零次或多次匹配前面的字元或子運算式。例如，zo* 匹配"z"和"zoo"。* 等效於 {0,}。
+	一次或多次匹配前面的字元或子運算式。例如，"zo+"與"zo"和"zoo"匹配，但與"z"不匹配。+ 等效於 {1,}。
?	零次或一次匹配前面的字元或子運算式。例如，"do(es)?"匹配"do"或"does"中的"do"。? 等效於 {0,1}。
{n}	n 是非負整數。正好匹配 n 次。例如，"o{2}"與"Bob"中的"o"不匹配，但與"food"中的兩個"o"匹配。
{n,}	n 是非負整數。至少匹配 n 次。例如，"o{2,}"不匹配"Bob"中的"o"，而匹配"foooood"中的所有 o。"o{1,}"等效於"o+"。"o{0,}"等效於"o*"。
{n,m}	M 和 n 是非負整數，其中 n <= m。匹配至少 n 次，至多 m 次。例如，"o{1,3}"匹配"fooooood"中的頭三個 o。‘o{0,1}‘ 等效於 ‘o?‘。注意：您不能將空格插入逗號和數字之間。
?	當此字元緊隨任何其他限定符（*、+、?、{n}、{n,}、{n,m}）之後時，匹配模式是"非貪心的"。"非貪心的"模式比對搜尋到的、儘可能短的字串，而預設的"貪心的"模式比對搜尋到的、儘可能長的字串。例如，在字串"oooo"中，"o+?"只匹配單個"o"，而"o+"匹配所有"o"。
.	匹配除"\r\n"之外的任何單個字元。若要匹配包括"\r\n"在內的任一字元，請使用諸如"[\s\S]"之類的模式。
(pattern)	匹配 pattern 並捕獲該匹配的子運算式。可以使用 $0…$9 屬性從結果"匹配"集合中檢索捕獲的匹配。若要匹配括弧字元 ( )，請使用"\("或者"\)"。
(?:pattern)	匹配 pattern 但不捕獲該匹配的子運算式，即它是一個非捕獲匹配，不儲存供以後使用的匹配。這對於用"or"字元 (|) 組合模式組件的情況很有用。例如，‘industr(?:y|ies) 是比 ‘industry|industries‘ 更經濟的運算式。
(?=pattern)	執行正向預測先行搜尋的子運算式，該運算式匹配處於匹配 pattern 的字串的起始點的字串。它是一個非捕獲匹配，即不能捕獲供以後使用的匹配。例如，‘Windows (?=95|98|NT|2000)‘ 匹配"Windows 2000"中的"Windows"，但不匹配"Windows 3.1"中的"Windows"。預測先行不佔用字元，即發生匹配後，下一匹配的搜尋緊隨上一匹配之後，而不是在組成預測先行的字元後。
(?!pattern)	執行反向預測先行搜尋的子運算式，該運算式匹配不處於匹配 pattern 的字串的起始點的搜尋字串。它是一個非捕獲匹配，即不能捕獲供以後使用的匹配。例如，‘Windows (?!95|98|NT|2000)‘ 匹配"Windows 3.1"中的 "Windows"，但不匹配"Windows 2000"中的"Windows"。預測先行不佔用字元，即發生匹配後，下一匹配的搜尋緊隨上一匹配之後，而不是在組成預測先行的字元後。
x|y	匹配 x 或 y。例如，‘z|food‘ 匹配"z"或"food"。‘(z|f)ood‘ 匹配"zood"或"food"。
[xyz]	字元集。匹配包含的任一字元。例如，"[abc]"匹配"plain"中的"a"。
[^xyz]	反向字元集。匹配未包含的任何字元。例如，"[^abc]"匹配"plain"中"p"，"l"，"i"，"n"。
[a-z]	字元範圍。匹配指定範圍內的任何字元。例如，"[a-z]"匹配"a"到"z"範圍內的任何小寫字母。
[^a-z]	反向範圍字元。匹配不在指定的範圍內的任何字元。例如，"[^a-z]"匹配任何不在"a"到"z"範圍內的任何字元。
\b	匹配一個字邊界，即字與空格間的位置。例如，"er\b"匹配"never"中的"er"，但不匹配"verb"中的"er"。
\B	非字邊界匹配。"er\B"匹配"verb"中的"er"，但不匹配"never"中的"er"。
\cx	匹配 x 指示的控制字元。例如，\cM 匹配 Control-M 或斷行符號符。x 的值必須在 A-Z 或 a-z 之間。如果不是這樣，則假定 c 就是"c"字元本身。
\d	數字字元匹配。等效於 [0-9]。
\D	非數字字元匹配。等效於 [^0-9]。
\f	換頁符匹配。等效於 \x0c 和 \cL。
\n	分行符號匹配。等效於 \x0a 和 \cJ。
\r	匹配一個斷行符號符。等效於 \x0d 和 \cM。
\s	匹配任何空白字元，包括空格、定位字元、換頁符等。與 [ \f\n\r\t\v] 等效。
\S	匹配任何非空白字元。與 [^ \f\n\r\t\v] 等效。
\t	定位字元匹配。與 \x09 和 \cI 等效。
\v	垂直定位字元匹配。與 \x0b 和 \cK 等效。
\w	匹配任何字類字元，包括底線。與"[A-Za-z0-9_]"等效。
\W	與任何非單詞字元匹配。與"[^A-Za-z0-9_]"等效。
\xn	匹配 n，此處的 n 是一個十六進位轉義碼。十六進位轉義碼必須正好是兩位元長。例如，"\x41"匹配"A"。"\x041"與"\x04"&"1"等效。允許在Regex中使用 ASCII 代碼。
\num	匹配 num，此處的 num 是一個正整數。到捕獲匹配的反向引用。例如，"(.)\1"匹配兩個連續的相同字元。
\n	標識一個八進位轉義碼或反向引用。如果 \n 前面至少有 n 個捕獲子運算式，那麼 n 是反向引用。否則，如果 n 是八位元 (0-7)，那麼 n 是八進位轉義碼。
\nm	標識一個八進位轉義碼或反向引用。如果 \nm 前面至少有 nm 個捕獲子運算式，那麼 nm 是反向引用。如果 \nm 前面至少有 n 個捕獲，則 n 是反向引用，後面跟有字元 m。如果兩種前面的情況都不存在，則 \nm 匹配八進位值 nm，其中 n 和 m 是八位元字 (0-7)。
\nml	當 n 是八位元 (0-3)，m 和 l 是八位元 (0-7) 時，匹配八進位轉義碼 nml。
\un	匹配 n，其中 n 是以四位十六進位數表示的 Unicode 字元。例如，\u00A9 匹配著作權符號 (?)。

  

數量標識符

如果需要匹配一個郵遞區號，形式如：000-000，使用Regex：\\d\\d\\d-\\d\\d\\d，這種寫法比較繁瑣，可以採用Regex的數量標識符進行簡寫，寫成如下格式：

\\d{3}-\\d{3}

 

Regex中的數量標識符支援三種模式：

1. Greediness（貪婪模式）：Regex中的數量表示預設採用貪婪模式。貪婪模式的運算式會一直匹配下去，直到無法匹配為止。
2. Reluctant（勉強模式）：用問號“？”尾碼表示，他只會匹配最少的字元。也稱為最小匹配模式。
3. Possessive（佔有模式）：尾碼用加號“+”表示，完全符合。較少使用，不是所有程式設計語言都支援。

三種模式數量標識符：

貪婪模式	勉強模式	佔用模式	運算式說明
X?	X??	X?+	X運算式出現0次或者1次
X*	X*?	X*+	X運算式出現0次或者多次
X+	X+?	X++	X運算式出現1次或者多次
X{n}	X{n}?	X{n}+	X表示是出現n次
X{n,}	X{n,}?	X{n,}+	X運算式最少出現n次
X{n,m}	X{n,m}?	X{n,m}+	X運算式最少出現n次，最多出現m次

  

• 貪婪模式樣本

在 Greediness 的模式下，會盡量大範圍的匹配，直到匹配了整個內容，這時發現匹配不能成功時，開始回退縮小匹配範圍，直到匹配成功。

範例程式碼： 

String test="list<a href=‘http://www.baidu.com‘>百度</a>list";String reg="<.+>";//\\.+表示任何字元出現一次或者多次System.out.println(test.replaceAll(reg, "***"));

　　說明：我們期望的匹配內容是<a href=‘http://www.baidu.com‘>，但是在貪婪模式下，他會匹配 a href=‘http://www.baidu.com‘>百度</a，結果輸出：

list***list

　　 

• 勉強模式樣本

在 Reluctant 的模式下，只要匹配成功，就不再繼續嘗試匹配更大範圍的內容。

範例程式碼： 

String test="list<a href=‘http://www.baidu.com‘>百度</a>list";String reg="<.+?>";//\\.+表示任何字元出現一次或者多次,?表示勉強方式System.out.println(test.replaceAll(reg, "***"));

　　輸出結果：

list***百度***list

　　

• 佔用模式樣本 

Possessive 模式與 Greediness 有一定的相似性，那就是都盡量匹配最大範圍的內容，直到內容結束，但與 Greediness 不同的是，完全符合不再回退嘗試匹配更小的範圍。

範例程式碼： 

String test="list<a href=‘http://www.baidu.com‘>百度</a>list";String reg="<.++>";//\\.+表示任何字元出現一次或者多次,+表示佔有方式System.out.println(test.replaceAll(reg, "***"));

　　輸出結果：

list<a href=‘http://www.baidu.com‘>百度</a>list

 

常用Regex

規則	Regex文法
一個或多個漢字	^[\u0391-\uFFE5]+$
郵遞區號	^[1-9]\d{5}$
QQ號碼	^[1-9]\d{4,11}$
郵箱	^[a-zA-Z_]{1,}[0-9]{0,}@(([a-zA-z0-9]-*){1,}\.){1,3}[a-zA-z\-]{1,}$
使用者名稱（字母開頭 + 數字/字母/底線）	^[A-Za-z][A-Za-z1-9_-]+$
手機號碼	^1[3|4|5|8][0-9]\d{8}$
URL	^((http|https)://)?([\w-]+\.)+[\w-]+(/[\w-./?%&=]*)?$
18位社會安全號碼	^(\d{6})(18|19|20)?(\d{2})([01]\d)([0123]\d)(\d{3})(\d|X|x)?$

 

Regex的使用

Pattern和Matcher類用於處理Regex。處理過程：

1. Regex字串被編譯為Pattern對象。
2. 使用Pattern對象建立對應的Matcher對象。
3. 執行匹配所涉及的狀態保留在Matcher對象中，多個Matcher對象可以共用同一個Pattern對象。

典型應用代碼如下：

//定義Pattern對象：將字串編譯為Pattern對象Pattern p=Pattern.compile("a*b");//使用Pattern對象建立Matcher對象Matcher m=p.matcher("aaaaab");//擷取匹配結果boolean result=m.matches();//輸出匹配結果System.out.println(result);//輸出true

　　

Pattern對象可以多次重複使用。如果某個Regex僅需一次使用，可以使用Pattern類的靜態方法matches()。

範例程式碼如下：

boolean b=Pattern.matches("a*b", "aaaab");System.out.println(b);//輸出true

　　

• Pattern類

Pattern對象表示Regex編譯後在記憶體中的表示形式，是不可變類安全執行緒類。

 

• Matcher類

Matcher類提供了以下常用方法：

方法	說明
find()	返回目標字串中是否包含與Pattern匹配的子字串。
group()	返回上一次與Pattern匹配的子字串。
start()	返回上一次與Pattern匹配的子字串在目標字串中的開始位置。
end()	返回上一次與Pattern匹配的子字串在目標字串中的結束位置+1。
lookingAt()	返回目標字串前面部分與Pattern是否匹配。
matches()	返回整個目標字串與Pattern是否匹配。
reset()	將現有的Matcher對象應用於一個新的字元序列。

 

 

樣本1：使用find()方法和group()方法從目標字串中取出特定子字串。（網路爬蟲提取資訊模型）

//定義目標字串String content="我的電話號碼是13800001234,購買Mac電腦的電話號碼13112340001，拯救單身狗172456789078";//定義提取手機號碼的RegexString reg="((13\\d)|(17\\d))\\d{8}";//定義Pattern對象Pattern p=Pattern.compile(reg);//獲得Matcher對象Matcher m=p.matcher(content);//輸出電話號碼while(m.find()) {System.out.println(m.group());}

　　

樣本2：使用find()方法和start()方法、end()方法確定目標字串中特定子字串的位置。

// 定義目標字串String content = "我的電話號碼是13800001234,購買Mac電腦的電話號碼13112340001，拯救單身狗172456789078";// 定義提取手機號碼的RegexString reg = "((13\\d)|(17\\d))\\d{8}";// 定義Pattern對象Pattern p = Pattern.compile(reg);// 獲得Matcher對象Matcher m = p.matcher(content);// 輸出電話號碼while (m.find()) {System.out.println(m.group() + "，該子字串的起始位置：" + m.start() + "，該子字串的結束位置："+m.end());}

　　輸出結果：

13800001234，該子字串的起始位置：7，該子字串的結束位置：1813112340001，該子字串的起始位置：31，該子字串的結束位置：4217245678907，該子字串的起始位置：48，該子字串的結束位置：59

　　

樣本3：其他方法的使用。

此外，matches()方法要求整個字串和Pattern完全符合才返回true。

lookingAt()方法只要求字串以Pattern開頭就會返回true。

reset()方法可將現有的Matcher對象應用於新的字串序列。

範例程式碼：

//定義郵箱字串數組String[] mails= {"[email protected]","[email protected]","[email protected]","abc.com"};//郵箱RegexString mailReg="\\w{3,20}@\\w+\\.(com|org|cn|net|gov)";//定義Pattern對象Pattern mp=Pattern.compile(mailReg);//聲明Matcher對象Matcher m=null;for(String mail:mails) {if(m==null) {//如果Matcher對象為空白，則建立m=mp.matcher(mail);}else {m.reset(mail);//如果Matcher對象不為空白，則應用Matcher對象}String result=mail+(m.matches()?"是":"不是")+"一個有效郵箱地址！";System.out.println(result);}

　　輸出結果：

[email protected]是一個有效郵箱地址！[email protected]是一個有效郵箱地址！[email protected]是一個有效郵箱地址！abc.com不是一個有效郵箱地址！

　　

JavaSE-31 JavaRegex