这是本人的第一篇技术型博客,希望能帮到有需要的朋友。-----转载请注明出处。
在之前工作中,需要对很多字符串进行处理。我现在记录下来,以免以后遗忘。
对于正则处理相关的知识,我一开始是从网上找资料配合使用Java API1.6的一个中文版进行学习,很感谢翻译这个版本的团队(机构)或者个人,很感谢那些无私分享自己的知识的朋友。
下文中对于正则的相关知识,现在我是从oracle提供的最新的Java API,可能和以前我看得1.6有些出入,贴出API地址:http://docs.oracle.com/javase/8/docs/api/
一,概括
在Java中,使用java.util.regex包下的Pattern和Matcher类对字符串进行处理。在这其中,其实最为重要还是正则匹配表达式(下文统称正表)的编写。大家可以在写完正表以后再这个网站上测试一下,我就经常在这网站上测试。这是链接:http://tool.oschina.net/regex/
但是有些正则表达式它不能识别,大家最好自己在as或者eclipse上写个单元测试,测试一下。
二,Pattern
该类继承自java.lang.Object类,并且实现了Serializable接口。
该类有两个获取实例的静态方法,分别是compile(String regex)和compile(String regex,int flag)。第二个方法多了个flag,主要用于定制获取的实例的匹配模式。说句题外话建议大家在看API的时候,也打开as或者eclipse,找到相应的类,看里面的源码,这样学习起来更加便捷和直观。
回到正题,API中已经标示出Pattern的Field Summary,标识出来该类有9个常量。如下
CANON_EQ Enables canonical equivalence.(启用规范的等价,应该是默认的,只匹配)
CASE_INSENSITIVE Enables case-insensitive matching.(不区分大小写)
COMMENTS Permits whitespace and comments in pattern.(模式中允许空白和注释)
DOTALL Enables dotall mode.(这种模式下.匹配行尾)
LITERAL Enables literal parsing of the pattern.(启动字面量解析模式)
MULTILINE Enables multiline mode.(多行模式)
UNICODE_CASE Enables Unicode-aware case folding.(If your code is intended to be portable and uses case-insensitive matching on non-ASCII characters, you should use this flag.)
UNICODE_CHARACTER_CLASS Enables the Unicode version of Predefined character classes and POSIX character classes.(启用预定义的字符类和POSIX字符类的Unicode版本)
UNIX_LINES Enables Unix lines mode.(启动Unix的行模式)
当使用Pattern.complie(regex)获取Pattern实例时,由于没有指定flag,系统默认传递了0。其它的就不细说了。对于上面几个flag,在看源码之前我一般都使用Pattern.complie(regex)获取Pattern实例,多行模式的话,在写正表的时候注意一下也是可以匹配多行的。
另使用flag()方法还可以取得当前Pattern实例的模式整数值。
如果只需要判断能否匹配成功,可以调用Pattern.matches(regex,input)。返回true就是匹配成功
三,Matcher
使用Patter的实例patter,调用patter.matcher(CharSequence input),input需要传入实现的CharSequence接口的实参,一般就是字符串。
Matcher中有大量的方法,我只写下少量我用过。
boolean find();是否从下个子序列中找出符合规则的内容。
String group();返回之前的捕获组内容。
String group(int);返回给定组的捕获内容
int gourpCount();返回捕获组的个数
在find()匹配成功一个后,有个类似于指针的东西,移到这个成功捕获的捕获组后面。此时使用group()捕获出来的是指针之前的捕获组内容。我们可以写个单元测试验证一下。
这是输入whatab1whatab2wahtab3whatab4ss,这是正表ab[\d]。匹配的是输入中
下面是方法
public static String method(String regex, String input) { Matcher matcher = Pattern.compile(regex).matcher(input); StringBuilder builder = new StringBuilder(); int i = 0; while (matcher.find()) { builder.append("这是第").append((++i)).append("组:捕获到【"); builder.append(matcher.group()).append("】。\n"); } return builder.toString(); }
输出结果是:
调用方法,参数是
Utils.method("ab[\\d]","whatab1whatab2whatab3whatab4ss")
这是第1组:捕获到【ab1】。 这是第2组:捕获到【ab2】。 这是第3组:捕获到【ab3】。 这是第4组:捕获到【ab4】。
如果使用group(int),指定具体的匹配位置,需要有多个捕获组,既是"()"。
使用同样的输入,把正表改成.*?(ab([\d])).*?
在Utils的method方法中,分别使用group(),group(0),group(1)和group(2)拼接捕获数组,打印内容如下。
group()打印结果
这是第1组:捕获到【whatab1】。 这是第2组:捕获到【whatab2】。 这是第3组:捕获到【whatab3】。 这是第4组:捕获到【whatab4】。
group(0)打印结果
这是第1组:捕获到【whatab1】。 这是第2组:捕获到【whatab2】。 这是第3组:捕获到【whatab3】。 这是第4组:捕获到【whatab4】。
group(1)打印结果
这是第1组:捕获到【ab1】。 这是第2组:捕获到【ab2】。 这是第3组:捕获到【ab3】。 这是第4组:捕获到【ab4】。
group(2)打印结果
这是第1组:捕获到【1】。 这是第2组:捕获到【2】。 这是第3组:捕获到【3】。 这是第4组:捕获到【4】。
从打印结果我们可以看出,group()和group(0)捕获的内容一致。这里有个特俗情况,如果以"()"将整个正表括起来,那么group(0)和group(1)有什么区别呢?
正表改成(.*?(ab([\d])).*?),下面是打印结果
group(0)和group()
这是第1组:捕获到【whatab1】。 这是第2组:捕获到【whatab2】。 这是第3组:捕获到【whatab3】。 这是第4组:捕获到【whatab4】。
group(1)
这是第1组:捕获到【whatab1】。 这是第2组:捕获到【whatab2】。 这是第3组:捕获到【whatab3】。 这是第4组:捕获到【whatab4】。
group(2)
这是第1组:捕获到【ab1】。 这是第2组:捕获到【ab2】。 这是第3组:捕获到【ab3】。 这是第4组:捕获到【ab4】。
group(3)
这是第1组:捕获到【1】。 这是第2组:捕获到【2】。 这是第3组:捕获到【3】。 这是第4组:捕获到【4】。
如果要捕获"()"里内容,需要注意的是,最好获取一下groupCount()的整型数值,以免没有匹配到该捕获组的内容,导致程序异常。
四,正则表达式
对于正表的编写,首先需要了解其各个符合的含义。
下面是对常用的一些符号进行说明,当然还有绝大部分没有涵盖,大家可以从Java的API中的java.util.regex.Pattern类下查看。
"()":捕获组,在Matcher中已做说明
"[]":匹配范围,注意的是,如果输入[ac]就只匹配a或者c,并不是匹配字符串ac。例如输入,abcac,使用[ac]可以匹配出四组,
分别是:1.a 2.c 3.a 4.c
"{}":出现次数,有若干写法,{n,m}表示最少出现n次,最多m次,{n}表示出现n次。{n,}表示最少n次。{}一般与[]配合使用,规定[]匹配范围内的字符出现了几次。在这种情况下,有时还会和"|"链接使用。例如XXabXXabXXacXXa1XXdav11 ,使用[abvc]{2}|[a\d]{2}可以匹配出来
ab
ab
ac
a1
av
11
".":一般来说,代表了除空格和其它行尾行首的任何字符(个人理解有误求指出)。
"\d":等价于[0-9],代表0到9的任何数字。
"\D":与\d相反,标示除了\d以外的任意字符
"\w":单词字符
"\W":非单词字符
"\s":空白字符
"\S":非空白字符。在对字符串处理时,如果没有自定多行模式,可将"."替换成"[\\s\\S]"。
"^":如果放置在"[]"里头,表示取其余范围。如"[^a]"表示出了a的任意字符。^也可以表示行首。
"$":表示行尾。
————————————————————————————————————————————————————————
以下三个符号加"{}"在正则表达式中有三种匹配模式,分别是Greedy ,Reluctant 和Possessive ,下面会仔细说区别
"X?":如X?,表示X匹配到一次或者一次也没有。注意的是,在正表后面加个?以后,就成了非贪婪模式。
"X+":如X?,表示X匹配到一次或者多次。
"X*":如X*,表示X匹配到0次或者多次。
"X?"是贪婪模式,会匹配尽可能的内容。"X??"是非贪婪模式,会匹配符合条件的最少的内容。"X?+"是Possessive quantifiers,这个模式我没有用过,也不知道是怎么回事,求分享指导。
——————————————————————————————————————————————————————————
"|":如X|Y,表示匹配X或者Y。
"\Q"和"\E":如\Q|.?\E使得中间的符合失去正则含义,作为普通字符匹配。如ab|.?ab,如果要匹配|.?,需要使用\|\.\?来匹配,但是使用\Q|.?\E就可以直接匹配,不用写那么多转移字符。
"\b":单词边界,如果用来匹配特定单词,可以使用它。如\bregex\b它可以匹配到hello regex!中的regex,但是匹配不到helloregex!中的regex,原因就在于后者的regex不是单词,边界被混杂。
"\B":同"\d"和"\w"将单词变成大写,表示相反的范围。此处表示的是非单词的边界。这玩意儿真心不知道怎么用。试一下。同样的,输入是hello regex!。使用\Be\B,可以匹配到三个e.但是使用\Bregex\B,就匹配不到,因为hello regex!中的regex已经到边界了,把输入改成helloregexs!就可以使用\Bregex\B,匹配到regex。
"\A":表示从输入的开端开始匹配。例如输入"abcdcfg",使用"[\\w]*?c"可以匹配到abc和dc,但是使用"\\A[\\w]*?c"只能匹配到abc。就是因为\A表示从开端开始匹配。
"\G":表示上一次匹配到的结尾。这个真心没用过,求分享,求指导。
"Z"和"z":不知道什么意思,求分享。
"(?=X)":直译是零宽度正向的预测先行。首先这个预测先行,指的是左边的字符,不是右边的字符。如XXabSS,XX是ab的先行,SS是ab的后行。这个东西就匹配在"X"前面的内容。如"XXabcYYabc","[\\s\\S]*?(?=abc)"可以匹配出来XX和YY。API里面的这个解析太特么不好懂了。需要注意的是(?=X)中的X是可以被捕获的。如输入"XabcSabc",匹配"[\\w](?=abc)[\\w]{2}",会匹配出来2个结果,分别是Xab和Sab。
"(?!X)":直译是零宽度的负向预测先行。负个鸡毛,英死早,不会意译。(?=X)表示的是匹配内容右边是X,这个就表示匹配内容的是右边不是X。如输入"XXabcYYabc",正表是"[\\w]{2}(?!X)[\\w]{2}",匹配出来XXab和cYYa。有些朋友可能疑惑,为什么呢?因为XXab前面没有内容,所以可以匹配出来XXab。如果输入不变,将正表换成"[^X]{2}(?!XX)[\\w]{2}",匹配出来的就是abcY和Yabc。
"(?<=X)":直译是零宽度的正向预测后行。表示匹配内容右边的字符串是X。测试一下,输入"XXabcYYabc",正表是"[\\w].*?(?<=abc)",匹配到了"XXabc"和"YYabc"。
"(?<!X)":直译是零宽度的负向预测后行。表示匹配内容右边不是X。测试一下,输入"XXabcYYabc",正表是"[\\w].*?(?<!abc)abc",匹配打印结果如下
这是第1组:捕获到【XXabc】。 这是第2组:捕获到【YYabc】。
第一组中"[\\w].*?(?<!abc)"先捕获到"XX",后面加个"abc"。第二组同理。
"(?>X)":作为一个独立的非捕获组。
五,总结
由于本人水平有限,对于很多东西还未能进行讲解,包括正则匹配时各种模式的匹配原理,包括java.regex.utils包中的其它类的各种方法,包括Pattern类中其它标明的正则符号,文中可能还有很多地方有误,望谅解、望指导。本人对于正则只会点皮毛,希望能帮到需要帮助的朋友。
对于正则表达式的编写,个人认为就是将简单的招式结合在一起,使用以后你会发现它包含着巨大的力量。