正则表达式一般用于字符串匹配, 字符串查找和字符串替换. 别小看它的作用, 在工作学习中灵活运用正则表达式处理字符串能够大幅度提高效率, 编程的快乐来得就是这么简单。
一下子给出一堆匹配的规则可能会让人恐惧, 下面将由浅入深讲解正则表达式的使用。
从简单例子认识正则表达式匹配
先上代码
1 |
|
String
类中有个matches(String regex)
方法, 返回值为布尔类型, 用于告诉这个字符串是否匹配给定的正则表达式。
在本例中我们给出的正则表达式为...
, 其中每个.
表示一个字符, 整个正则表达式的意思是三个字符, 显然当匹配abc
的时候结果为true
, 匹配abcd
时结果为false
。
Java中对正则表达式的支持(各种语言有相应的实现)
在java.util.regex
包下有两个用于正则表达式的类, 一个是Matcher
类, 另一个Pattern
。
Java官方文档中给出对这两个类的典型用法, 代码如下:
1 |
|
如果要深究正则表达式背后的原理, 会涉及编译原理中自动机等知识, 此处不展开描述. 为了达到通俗易懂, 这里用较为形象的语言描述。
Pattern
可以理解为一个模式, 字符串需要与某种模式进行匹配. 比如Demo2
中, 我们定义的模式是一个长度为3的字符串, 其中每个字符必须是a~z中的一个
。
我们看到创建Pattern
对象时调用的是Pattern
类中的compile
方法, 也就是说对我们传入的正则表达式编译后得到一个模式对象. 而这个经过编译后模式对象, 会使得正则表达式使用效率会大大提高, 并且作为一个常量, 它可以安全地供多个线程并发使用。
Matcher
可以理解为模式匹配某个字符串后产生的结果. 字符串和某个模式匹配后可能会产生很多个结果, 这个会在后面的例子中讲解。
最后当我们调用m.matches()
时就会返回完整字符串与模式匹配的结果。
上面的三行代码可以简化为一行代码
System.out.println("abc".matches("[a-z]{3}"));
但是如果一个正则表达式需要被重复匹配, 这种写法效率较低。
初步认识 . + * ?
在介绍之前首先要说明的是, 正则表达式的具体含义不用强背, 各个符号的含义在Java官方文档的Pattern
类描述中或网上有详细的定义. 当然能熟用就更好了。
1 |
|
范围
[]
用于描述一个字符的范围, 下面是一些例子:
1 |
|
认识\s \w \d \
下面介绍数字和字母的正则表达, 这是编程中使用最多的字符了.
关于\
这里重点介绍最不好理解的\
. 在Java中的字符串中, 如果要用到特殊字符, 必须通过在前面加\
进行转义。
举个例子, 考虑这个字符串"老师大声说:"同学们,快交作业!""
. 如果我们没有转义字符, 那么开头的双引号的结束应该在说:"
这里, 但是我们的字符串中需要用到双引号, 所以需要用转义字符。
使用转义字符后的字符串为"老师大声说:\"同学们,快交作业!\""
, 这样我们的原意才能被正确识别。
同理如果我们要在字符串中使用\
, 也应该在前面加一个\
, 所以在字符串中表示为"\\"
。
那么如何在正则表达式中表示要匹配\
呢, 答案为"\\\\"
。
我们分开考虑: 由于正则式中表示\
同样需要转义, 所以前面的\\
表示正则表达式中的转义字符\
, 后面的\\
表示正则表达式中\
本身, 合起来在正则表达式中表示\
.
如果感觉有点绕的话请看下面代码:
1 |
|
边界处理
^
在中括号内表示取反的意思[^]
, 如果不在中括号里则表示字符串的开头
1 |
|
练习:匹配空白行合email地址
拿到一篇文章, 如何判断里面有多少个空白行? 用正则表达式能方便地进行匹配, 注意空白行中可能包括空格, 制表符等。
1 |
|
解释: ^[\\s&&[^\n]]*
是空格符号但不是换行符, \\n$
最后以换行符结束
下面是匹配邮箱:
1 |
|
解释: [\\w[.-]]+
以一个或多个数字字母下划线.
或-
组成, @
接着是个@符号, 然后同样是[\\w[.-]]+
, 接着\\.
匹配.
, 最后同样是[\\w]+
Matcher类的matches()
,find()
和lookingAt()
matches()
方法会将整个字符串与模板进行匹配.
find()
则是从当前位置开始进行匹配, 如果传入字符串后首先进行find()
, 那么当前位置就是字符串的开头, 对当前位置的具体分析可以看下面的代码示例
lookingAt()
方法会从字符串的开头进行匹配.
1 |
|
Matcher类中的start()
和end()
如果一次匹配成功的话start()
用于返回匹配开始的位置, end()
用于返回匹配结束字符的后面一个位置
1 |
|
替换字符串
想要替换字符串首先要找到被替换的字符串, 这里要新介绍Matcher
类中的一个方法group()
, 它能返回匹配到的字符串.
下面我们看一个例子, 把字符串中的java
转换为大写.
1 |
|
升级: 不区分大小写查找并替换字符串
为了在匹配的时候不区分大小写, 我们要在创建模板模板时指定大小写不敏感
1 |
|
再升级: 不区分大小写, 替换查找到的指定字符串
这里演示把查找到第奇数个字符串转换为大写, 第偶数个转换为小写
这里会引入Matcher
类中一个强大的方法appendReplacement(StringBuffer sb, String replacement)
, 它需要传入一个StringBuffer进行字符串拼接.
1 |
|
分组
先从一个问题引入, 看下面这段代码
1 |
|
其中正则表达式"\\d{3,5}[a-z]{2}"
表示3~5个数字跟上两个字母, 然后打印出每个匹配到的字符串
如果想要打印每个匹配串中的数字, 如何操作呢.
首先你可能想到把匹配到的字符串再进行匹配, 但是这样太麻烦了, 分组机制可以帮助我们在正则表达式中进行分组.
规定使用()进行分组, 这里我们把字母和数字各分为一组"(\\d{3,5})([a-z]{2})"
然后在调用m.group(int group)
方法时传入组号即可
注意, 组号从0开始, 0组代表整个正则表达式, 从0之后, 就是在正则表达式中从左到右每一个左括号对应一个组. 在这个表达式中第1组是数字, 第2组是字母.
1 |
|
实战1: 抓取网页中的email地址(爬虫)
假设我们手头上有一些优质的资源, 打算分享给网友, 于是便到贴吧上发出一个留邮箱发资源的帖子. 没想到网友热情高涨, 留下了近百个邮箱. 但逐个复制发送太累了, 我们考虑用程序实现.
这里不展开讲发邮件部分, 重点应用已经学到的正则表达式从网页中截取所有的邮箱地址.
首先获取一个帖子的html代码随便找了一个, 点击跳转, 在浏览器中点击右键保存html文件
接下来看代码:
1 |
|
实战2: 代码统计小程序
最后的一个实战案例: 统计一个项目中一共有多少行代码, 多少行注释, 多少个空白行. 不妨对自己做过的项目进行统计, 发现不知不觉中也是个写过成千上万行代码的人了…
我在github上挑选了一个项目, 是纯java写的小项目, 方便统计. 点击跳转
下面是具体的代码, 除了判断空行用了正则表达式外, 判断代码行和注释行用了String类的api
1 |
|
贪婪模式与非贪婪模式
经过两个实战后, 相信大家已经掌握了正则表达式的基本使用了, 下面介绍贪婪模式与非贪婪模式.
通过查看官方api我们发现Pattern
类中有如下定义:
1 |
|
这三种模式表达的意思是一样的, 在前面的讲解中我们全部使用的是贪婪模式. 那么其他两种模式的写法有什么区别呢? 通过下面的代码示例进行讲解.
1 |
|
正则表达式的意思是3~10个字符加一个数字. 在贪婪模式下匹配时, 系统会先吞掉10个字符, 这时检查最后一个是否时数字, 发现已经没有字符了, 于是吐出来一个字符, 再次匹配数字, 匹配成功, 得到0-10
.
下面是非贪婪模式演示(勉强的, 不情愿的)
1 |
|
在非贪婪模式下, 首先只会吞掉3个(最少3个), 然后判断后面一个是否是数字, 结果不是, 在往后吞一个字符, 继续判断后面的是否数字, 结果是, 输出0-5
最后演示独占模式, 通常只在追求效率的情况下这么做, 用得比较少
1 |
|
独占模式会一下吞进10个字符, 然后判断后一个是否是数字, 不管是否匹配成功它都不会继续吞或者吐出一个字符.
结束
愿正则表达式给你带来更愉快的编程体验.