[转]Java正则表达式之语法规则
正则表达式是一种强大而灵活的文本处理工具，使用正则表达式能够以编程的方式，构造复杂的文本模式，并对输入的字符串进行搜索。一旦找到了匹配这些模式的部分，就能够随心所欲地它们进行处理。正则表达式提供了一种完全通用的方式，能够解决各种字符串处理相关的问题：匹配、选择、编辑以及验证。
首先看一下JAVA中正则表达式的完整构造集，也可以参考java.util.regex.Pattern中的API说明。
|
字符 |
|
|
X |
字符X |
|
\\ |
反斜线字符 |
|
\0n |
带有八进制值0的字符n(0<=n<=7) |
|
\0nn |
带有八进制值0的字符nn(0<=n<=7) |
|
\0mnn |
带有八进制值0的字符mnn（0<=m<=3、0<=n<=7） |
|
\xhh |
带有十六进制值0x的字符hh |
|
\uhhhh |
带有十六进制值0x的字符hhhh |
|
\t |
制表符(‘\u0009‘) |
|
\n |
新行（换行）符 (‘\u000A‘) |
|
\r |
回车符(‘\u000D‘) |
|
\f |
换页符(‘\u000C‘) |
|
\a |
报警(bell)符(‘\u0007‘) |
|
\e |
转义符(‘\u001B‘) |
|
\cx |
对应于x的控制符 |
以上是字符的正则表达式，比如字符A在正则表达式的表示方式就是A，反斜线的正则表达式则为\\，所以如果想表示普通的\，正则表达式为\\\\。反斜线字符 (‘\‘) 用于引用转义构造，如上表所定义的，同时还用于引用其他将被解释为非转义构造的字符。因此，表达式 \\ 与单个反斜线匹配，而 \{ 与左括号匹配。
在不表示转义构造的任何字母字符前使用反斜线都是错误的；它们是为将来扩展正则表达式语言保留的。可以在非字母字符前使用反斜线，不管该字符是否非转义构造的一部分。
根据 Java Language Specification 的要求，Java 源代码的字符串中的反斜线被解释为 Unicode转义或其他字符转义。因此必须在字符串字面值中使用两个反斜线，表示正则表达式受到保护，不被 Java 字节码编译器解释。例如，当解释为正则表达式时，字符串字面值 "\b"与单个退格字符匹配，而 "\\b" 与单词边界匹配。字符串字面值 "\(hello\)" 是非法的，将导致编译时错误；要与字符串 (hello) 匹配，必须使用字符串字面值 "\\(hello\\)"。
下面则为字符类的正则表达式，其表达的含义都比较直观明了。
|
字符类 |
|
|
[abc] |
a、b或c（简单类） |
|
[^abc] |
任何字符，除了a、b或c（否定） |
|
[a-zA-Z] |
a到z或A到Z，两头的字母包括在内（范围） |
|
[a-d[m-p]] |
a到d或m到p：[a-dm-p]（并集） |
|
[a-z&&[def]] |
d、e或f（交集） |
|
[a-z&&[^bc]] |
a到z，除了b和c：[ad-z]（减去） |
|
[a-z&&[^m-p]] |
a到z，而非m到 p：[a-lq-z]（减去） |
Java还预定义了一些字符类，这些字符类在正则表达式中可以直接使用，提供了简单方便的使用方式。
|
预定义字符类 |
|
|
点号（．） |
任何字符（与行结束符可能匹配也可能不匹配） |
|
\d |
数字：[0-9] |
|
\D |
非数字：[^0-9] |
|
\s |
空白字符：[ \t\n\x0B\f\r] |
|
\S |
非空白字符：[^\s] |
|
\w |
单词字符：[a-zA-Z_0-9] |
|
\W |
非单词字符：[^\w] |
其中行结束符是一个或两个字符的序列，标记输入字符序列的行结尾。以下代码被识别为行结束符：
· 新行（换行）符(‘\n‘)、
· 后面紧跟新行符的回车符 ("\r\n")、
· 单独的回车符 (‘\r‘)、
· 下一行字符 (‘\u0085‘)、
· 行分隔符 (‘\u2028‘) 或
· 段落分隔符 (‘\u2029)。
如果激活 UNIX_LINES 模式，则新行符是唯一识别的行结束符。
如果未指定 DOTALL 标志，则正则表达式 点号（．）可以与任何字符（行结束符除外）匹配。
默认情况下，正则表达式 ^ 和 $ 忽略行结束符，仅分别与整个输入序列的开头和结尾匹配。如果激活 MULTILINE 模式，则 ^ 在输入的开头和行结束符之后（输入的结尾）才发生匹配。处于 MULTILINE 模式中时，$ 仅在行结束符之前或输入序列的结尾处匹配。上面的 UNIX_LINES、DOTALL、MULTILINE都是在类Pattern中定义的常量，在方法compile(String regex,int flags)中指定编译模式。
|
边界匹配器 |
|
|
^ |
行的开头 |
|
$ |
行的结尾 |
|
\b |
单词边界 |
|
\B |
非单词边界 |
|
\A |
输入的开头 |
|
\G |
上一个匹配的结尾 |
|
\Z |
输入的结尾，仅用于最后的结束符（如果有的话） |
|
\z |
输入的结尾 |
量词描述了一个模式吸收输入文本的方式，可以分为：贪婪型、勉强型和占有型。贪婪型表达式会为所有可能的模式发现尽可能多的匹配，勉强型用问号来指定，匹配满足模式所需的最少字符数，占用型只用在Java语言中才可用，当正则表达式被应用于字符串时，会产生相当多的状态以便在匹配失败时可以回溯。除非指定其它类型，否则量词总是贪婪型的。
|
贪婪型 |
勉强型 |
占有型 |
如何匹配 |
|
X? |
X?? |
X?+ |
一个或零个X |
|
X* |
X*? |
X*+ |
零个或多个x |
|
X+ |
X+? |
X++ |
一个或多个X |
|
X{n} |
X{n}? |
X{n}+ |
恰好n次X |
|
X{n,} |
X{n,}? |
X{n,}+ |
至少n次X |
|
X{n,m} |
X{n,m}? |
X{n,m}+ |
X至少n次，且不超过m次 |
捕获组可以通过从左到右计算其开括号来编号。例如，在表达式 ((A)(B(C))) 中，存在四个这样的组：
|
1 |
((A)(B(C))) |
|
2 |
\A |
|
3 |
(B(C)) |
|
4 |
(C) |
组零始终代表整个表达式。
之所以这样命名捕获组是因为在匹配中，保存了与这些组匹配的输入序列的每个子序列。捕获的子序列稍后可以通过\引用在表达式中使用，也可以在匹配操作完成后从匹配器获取。与组关联的捕获输入始终是与组最近匹配的子序列。
以 (?) 开头的组是纯的非捕获 组，它不捕获文本，也不针对组合计进行计数。
|
逻辑运算符 |
|
|
XY |
X后跟Y |
|
X|Y |
X或Y |
|
(X) |
X作为捕获组，可以在表达式中用\i引用第i个捕获组
|