Regular Expressions

1 字符

B 指定字符B（没有反斜杠） \n 换行
\xhh 十六进制值为 oxhh 的字符 \r 回车
\uhhh 十六进制为 oxhhh 的Unicode字符 \f 换页
\e 转义（ESC） \t 制表符

2 字符类

常用的字符类形式：

. 任意字符 \s 空白符（包括 \n \r \t \f “ “）
[abc] 包含a b c的任意字符（等同于abc之间的或） \S 非空白符，即除了上述五种空白符之外的字符
[^abc] 包含除了a b c之外的任意字符 \d 数字，[0-9]
[a-zA-Z] 包含a-z或A-Z的任意字符 \D 非数字
[abc[de]] 类似于abcde之间的或 \w 词字符，即字母和数字，[a-zA-Z0-9]
[a-z&&[de]] 类似于(a-z)&&de，即包含d e的任意字符 \W 非字母和非数字的字符

Java中的正则表达式，需要使用额外的一个右斜杠对右斜杠进行转义，所以一般在Java的正则表达式中会看到\\d+[.]\\d+[.]\\d+[.]\\d+的情况，表达的意思就是类似于IP地址格式的字符串。

3 边界匹配符

^ 一行的起始 \b 词的边界
$ 一行的结束 \B 非词的边界
\G 前一个匹配的结束 - -

4 量词

量词描述的是一个模式吸收输入文本的方式（好难懂…）

简单一点讲就是，量词在正则表达式中的位置，将会影响正则表达式对输入文本的匹配结果，是匹配单个还是多个，量词将会起到重要的作用。

（1）贪婪型

量词的默认属性，也是量词最基本的使用方法。所谓“贪婪”，即被该属性的量词描述的时候，正则表达式将会尽可能多地匹配，而不是遇到第一个匹配的就停止。

（2）勉强型

若要限定正则表达式匹配到最少的字符数，可以使用勉强型的量词修饰。勉强型的量词，即在贪婪型的基础上，多加一个问号“?”。

（3）占有型

目前，占有型量词修饰的正则表达式，只能在Java中使用，由于比较高级，基本不会使用到。占有型量词，只需要在贪婪型的基础上，多加一个加号“+”。

由于正则表达式在匹配的过程中，会产生许多的中间状态，以便在匹配失败后回溯到之前成功的状态，这些中间状态过多会引起正则表达式的失控以及效率低下，所以占有型的目的就是通过不保存中间状态的方式，提高正则表达式的效率。

（4）附：贪婪型量词描述

对量词的转义，需要连续的两个右斜杠 \\

X? 一个或者零个X
X* 零个或者多个X
X+ 一个或者多个X
X{n} n个X
X{n,} 至少n个X
X{n,m} X的出现次数是n-m之间

5 Pattern类与Matcher类

（1）Pattern类的使用

可以单纯使用String类提供的方法分割或者替换字符串中的字符，如果觉得不能满足需求，也可以通过Pattern类自定义正则表达式对象，用于匹配字符串。

  • 导入Pattern类所在的包，java.util.regex；

  • 写好正则表达式regex之后，使用Pattern类的静态方法Pattern.compile(String regex)编译正则表达式，生成一个Pattern类对象；

  • 将所需匹配的原字符串作为参数，传递给Pattern类的方法matcher(String str)，生成一个Matcher类对象，之后就可以使用Matcher类的方法，对原字符串进行匹配后的操作，包括分割、替换、查询匹配的起止位置等。

    （具体的Matcher类方法可以查阅JDK文档的java.util.regex.Matcher）

（2）组（Group）的概念

组，使用括号划分的正则表达式，例如A(BC(DE(GH)F))，可以根据组的编号来引用某一个组，组号为0表示整个表达式，从左往右遇到的第一个括号包含的部分是组号为1的正则表达式，以此类推。

利用组的概念以及相应的方法，可以在匹配成功之后（可以通过Matcher.find()方法返回的true/false，判断是否匹配成功），定位到相应的位置，确定字符串到底是与哪一个组匹配上了。

Matcher.group()，即返回当前匹配到的字符串，如果将该方法放在一个循环中，则会依次输出匹配到的字符串。

关于判断是否匹配成功，有很多种方法：

  • boolean matches();，只有在整个输入都匹配正则表达式的时候，才返回true
  • boolean lookingAt();，只有在输入的一开始就匹配正则表达式的时候，才返回true
  • boolean find();，输入在任意位置与正则表达式匹配，都返回true

（3）CharSequence——正则表达式在Java中的数据类型

接口CharSequence从CharBuffer、String、StringBuffer、StringBuilder类中抽象出字符序列的一般化定义：

1
2
3
4
5
6
interface CharSequence {
  charAt(int i);
  length();
  subSequence(int start, int end);
  toString();
}

上述的类都实现了该接口，多数正则表达式的操作都接受CharSequence类型的参数。

（4）Pattern类的标记

Pattern类的标记用于稍微改变匹配过程中的匹配规则和方式。

Pattern类的标记在Pattern.compile(String regex, int mark)的时候，可以引入。

比较有用的有三种：

  • Pattern.CASE_INSENSITIVE，不考虑字母的大小写
  • Pattern.COMMENTS，忽略空格符
  • Pattern.MULTILINE，默认模式下，将会匹配完整的字符串，不管有多少行，该模式下，则可以根据^和$的标记，按行为单位进行匹配

（5）分割字符串方法split()

split()方法可以将输入的字符串按照匹配的情况，分割成字符串对象数组。

String[] split(CharSequence input)

String[] split(CharSequence input, int limit)，可以限制将输入分割成子串的数量

（6）渐进式替换字符串方法appendRepalcement()

在字符串自带的方法之上，若想实现渐进式的字符串替换方式（在替换原字符串匹配部分的过程中，还可以调整用于替换的字符串），则需要使用Matcher.appendReplacement(StringBuffer strf, String replacement)方法。strf是用于保存最终的结果，replacement部分可以在替换的过程中通过自定义而变化，最后使用Matcher.appendTail(StringBuffer strf)方法可以将最终的结果全部存储到strf中，用于后续的输出。

（7）重复使用Matcher对象的方法reset()

通过一系列的方法，得到了一个Matcher对象，在匹配了一个字符串之后，如果还想将其应用于其他的字符串，该怎么办？重新创建？不，可以使用Matcher.reset(String newStr)方法，从而可以重复地使用之前创建的Matcher对象。

若使用不带参数的Matcher.reset()方法，则表示将Matcher对象重新设置到当前序列的起始位置。

6 正则表达式与Java I/O

  • 可以利用net.mindview.util.TextFile对象将文件打开，并将结果传递给一个字符串对象：String file = TextFile.read("filename")

  • StringReader将String转换为可读的流对象，然后使用流对象构造BufferReader对象，为什么呢？因为我们需要使用BufferReader的readLine()方法读取输入的文本。

    如果其中涉及需要将字符串转换成相应的基本数据类型，可以使用相应基本类型的包装类的方法进行转换：Integer.parseInt(String str)/Double.parseDouble(String str)/...

  • Scanner类用于扫描输入的字符串。Scanner类的构造器可以接受任何类型的输入对象，包括File对象 InputStream对象 String对象 Readable对象。在Scanner中，所有的输入、分词以及翻译的操作都可以隐藏在不同类型的next()方法中：next()方法将会简单地返回下一个String对象，nextInt()则会返回下一个整数，nextDouble()则会返回下一个Double类型的数等等。

    带参数的hasNext(String regex)方法和带参数的next(String regex)方法联合使用，可以用于寻找下一个匹配的字符串，然后使用Scanner.match()方法，可以返回一个匹配结果MatchResult对象，通过MatchResult.group(int i)方法获得匹配各组的字符串。

  • StringTokenizer

    在Scanner出现之前，用于分词的类，不过现在基本不会再使用了。

附：

Java的正则表达式

有关Java中正则表达式的完整构造子列表，可以参考JDK文档java.util.regex包中的Pattern类。