Java編程的邏輯 (90) - 正則表達式 (下 - 剖析常見表達式)

時間  2019-11-06
標籤 java 編程 邏輯 正則 表達式 剖析 常見 欄目 Java 简体版
原文   原文鏈接

本系列文章經補充和完善，已修訂整理成書《Java編程的邏輯》，由機械工業出版社華章分社出版，於2018年1月上市熱銷，讀者好評如潮！各大網店和書店有售，歡迎購買，京東自營連接：http://item.jd.com/12299018.htmlhtml

88節介紹了正則表達式的語法，上節介紹了正則表達式相關的Java API，本節來討論和分析一些經常使用的正則表達式，具體包括：git

  • 郵編
  • 電話號碼，包括手機號碼和固定電話號碼
  • 日期和時間
  • 身份證
  • IP地址
  • URL
  • Email地址
  • 中文字符

對於同一個目的，正則表達式每每有多種寫法，大多沒有惟一正確的寫法，本節的寫法主要是示例。此外，寫一個正則表達式，匹配但願匹配的內容每每比較容易，但讓它不匹配不但願匹配的內容，則每每比較困難，也就是說，保證精確性常常是很難的，不過，不少時候，咱們也沒有必要寫徹底精確的表達式，須要寫到多精確與你須要處理的文本和需求有關，另外，正則表達式難以表達的，能夠經過寫程序進一步處理。這麼描述可能比較抽象，下面，咱們會具體討論分析。github

郵編正則表達式

郵編比較簡單，就是6位數字，因此表達式能夠爲：編程

[0-9]{6}

 這個表達式能夠用於驗證輸入是否爲郵編，好比：swift

public static Pattern ZIP_CODE_PATTERN = Pattern.compile(
        "[0-9]{6}");

public static boolean isZipCode(String text) {
    return ZIP_CODE_PATTERN.matcher(text).matches();
}

但若是用於查找，這個表達式是不夠的，看個例子：微信

public static void findZipCode(String text) {
    Matcher matcher = ZIP_CODE_PATTERN.matcher(text);
    while (matcher.find()) {
        System.out.println(matcher.group());
    }
}

public static void main(String[] args) {
    findZipCode("郵編 100013，電話18612345678");
}

文本中只有一個郵編，但輸出卻爲：函數式編程

100013
186123

這怎麼辦呢？可使用88節介紹的環視邊界匹配，對於左邊界，它前面的字符不能是數字，環視表達式爲：函數

(?<![0-9])

對於右邊界，它右邊的字符不能是數字，環視表達式爲：spa

(?![0-9])

因此，完整的表達式能夠爲：

(?<![0-9])[0-9]{6}(?![0-9])

使用這個表達式，也就是說，將ZIP_CODE_PATTERN改成：

public static Pattern ZIP_CODE_PATTERN = Pattern.compile(
        "(?<![0-9])" // 左邊不能有數字
        + "[0-9]{6}"
        + "(?![0-9])"); // 右邊不能有數字

就能夠輸出指望的結果了。

非0開頭的6位數字就必定是郵編嗎？答案固然是否認的，因此，這個表達式也不是精確的，若是須要更精確的驗證，能夠寫程序進一步檢查。

手機號碼

中國的手機號碼都是11位數字，因此，最簡單的表達式就是：

[0-9]{11}

不過，目前手機號第1位都是1，第2位取值爲三、四、五、七、8之一，因此，更精確的表達式是：

1[34578][0-9]{9}

爲方便表達手機號，手機號中間常常有連字符(即減號'-')，形如：

186-1234-5678

爲表達這種可選的連字符，表達式能夠改成：

1[34578][0-9]-?[0-9]{4}-?[0-9]{4}

在手機號前面，可能還有0、+86或0086，和手機號碼之間可能還有一個空格，好比：

018612345678
+86 18612345678
0086 18612345678

爲表達這種形式，能夠在號碼前加以下表達式：

((0|\+86|0086)\s?)?

和郵編相似，若是爲了抽取，也要在左右加環視邊界匹配，左右不能是數字。因此，完整的表達式爲：

(?<![0-9])((0|\+86|0086)\s?)?1[34578][0-9]-?[0-9]{4}-?[0-9]{4}(?![0-9])

用Java表示的代碼爲：

public static Pattern MOBILE_PHONE_PATTERN = Pattern.compile(
        "(?<![0-9])" // 左邊不能有數字
        + "((0|\\+86|0086)\\s?)?" // 0 +86 0086
        + "1[34578][0-9]-?[0-9]{4}-?[0-9]{4}" // 186-1234-5678
        + "(?![0-9])"); // 右邊不能有數字

固定電話

不考慮分機，中國的固定電話通常由兩部分組成：區號和市內號碼，區號是3到4位，市內號碼是7到8位。區號以0開頭，表達式能夠爲：

0[0-9]{2,3}

市內號碼錶達式爲：

[0-9]{7,8}

區號可能用括號包含，區號與市內號碼之間可能有連字符，如如下形式：

010-62265678
(010)62265678

整個區號是可選的，因此整個表達式爲：

(\(?0[0-9]{2,3}\)?-?)?[0-9]{7,8}

再加上左右邊界環視，完整的Java表示爲：

public static Pattern FIXED_PHONE_PATTERN = Pattern.compile(
        "(?<![0-9])" // 左邊不能有數字
        + "(\\(?0[0-9]{2,3}\\)?-?)?" // 區號
        + "[0-9]{7,8}"// 市內號碼
        + "(?![0-9])"); // 右邊不能有數字

日期

日期的表示方式有不少種，咱們只看一種，形如：

2017-06-21
2016-11-1

年月日之間用連字符分隔，月和日可能只有一位。

最簡單的正則表達式能夠爲：

\d{4}-\d{1,2}-\d{1,2}

年通常沒有限制，但月只能取值1到12，日只能取值1到31，怎麼表達這種限制呢？

對於月，有兩種狀況，1月到9月，表達式能夠爲：

0?[1-9]

10月到12月，表達式能夠爲：

1[0-2]

因此，月的表達式爲：

(0?[1-9]|1[0-2])

對於日，有三種狀況：

  • 1到9號，表達式爲：0?[1-9]
  • 10號到29號，表達式爲：[1-2][0-9]
  • 30號和31號，表達式爲：3[01]

因此，整個表達式爲：

\d{4}-(0?[1-9]|1[0-2])-(0?[1-9]|[1-2][0-9]|3[01])

加上左右邊界環視，完整的Java表示爲：

public static Pattern DATE_PATTERN = Pattern.compile(
        "(?<![0-9])" // 左邊不能有數字
        + "\\d{4}-" // 年
        + "(0?[1-9]|1[0-2])-" // 月
        + "(0?[1-9]|[1-2][0-9]|3[01])"// 日
        + "(?![0-9])"); // 右邊不能有數字

時間

考慮24小時制，只考慮小時和分鐘，小時和分鐘都用固定兩位表示，格式以下：

10:57

基本表達式爲：

\d{2}:\d{2}

小時取值範圍爲0到23，更精確的表達式爲：

([0-1][0-9]|2[0-3])

 分鐘取值範圍爲0到59，更精確的表達式爲：

[0-5][0-9]

因此，整個表達式爲：

([0-1][0-9]|2[0-3]):[0-5][0-9]

加上左右邊界環視，完整的Java表示爲：

public static Pattern TIME_PATTERN = Pattern.compile(
        "(?<![0-9])" // 左邊不能有數字
        + "([0-1][0-9]|2[0-3])" // 小時
        + ":" + "[0-5][0-9]"// 分鐘
        + "(?![0-9])"); // 右邊不能有數字

身份證

身份證有一代和二代之分，一代是15位數字，二代是18位，都不能以0開頭，對於二代身份證，最後一位可能爲x或X，其餘是數字。

一代身份證表達式能夠爲：

[1-9][0-9]{14}

二代身份證能夠爲：

[1-9][0-9]{16}[0-9xX]

這兩個表達式的前面部分是相同的，二代身份證多了以下內容：

[0-9]{2}[0-9xX]

因此，它們能夠合併爲一個表達式，即：

[1-9][0-9]{14}([0-9]{2}[0-9xX])?

加上左右邊界環視，完整的Java表示爲：

public static Pattern ID_CARD_PATTERN = Pattern.compile(
        "(?<![0-9])" // 左邊不能有數字
        + "[1-9][0-9]{14}" // 一代身份證
        + "([0-9]{2}[0-9xX])?" // 二代身份證多出的部分
        + "(?![0-9])"); // 右邊不能有數字

符合這個要求的就必定是身份證號碼嗎？固然不是，身份證還有一些更爲具體的要求，本文就不探討了。

IP地址

IP地址格式以下：

192.168.3.5

點號分隔，4段數字，每一個數字範圍是0到255。最簡單的表達式爲：

(\d{1,3}\.){3}\d{1-3}

 \d{1,3}太簡單，沒有知足0到255之間的約束，要知足這個約束，就要分多種狀況考慮。

值是1位數，前面可能有0到2個0，表達式爲：

0{0,2}[0-9]

值是兩位數，前面可能有一個0，表達式爲：

0?[0-9]{2}

值是三位數，又要分爲多種狀況。以1開頭的，後兩位沒有限制，表達式爲：

1[0-9]{2}

以2開頭的，若是第二位是0到4，則第三位沒有限制，表達式爲：

2[0-4][0-9]

若是第二位是5，則第三位取值爲0到5，表達式爲：

25[0-5]

因此，\d{1,3}更爲精確的表示爲：

(0{0,2}[0-9]|0?[0-9]{2}|1[0-9]{2}|2[0-4][0-9]|25[0-5])

因此，加上左右邊界環視，IP地址的完整Java表示爲：

public static Pattern IP_PATTERN = Pattern.compile(
        "(?<![0-9])" // 左邊不能有數字
        + "((0{0,2}[0-9]|0?[0-9]{2}|1[0-9]{2}|2[0-4][0-9]|25[0-5])\\.){3}"
        + "(0{0,2}[0-9]|0?[0-9]{2}|1[0-9]{2}|2[0-4][0-9]|25[0-5])"
        + "(?![0-9])"); // 右邊不能有數字    

URL

URL的格式比較複雜，其規範定義在https://tools.ietf.org/html/rfc1738，咱們只考慮http協議，其通用格式是：

http://<host>:<port>/<path>?<searchpart>

開始是http://，接着是主機名，主機名以後是可選的端口，再以後是可選的路徑，路徑後是可選的查詢字符串，以?開頭。

一些例子：

http://www.example.com
http://www.example.com/ab/c/def.html
http://www.example.com:8080/ab/c/def?q1=abc&q2=def

主機名中的字符能夠是字母、數字、減號和點號，因此表達式能夠爲：

[-0-9a-zA-Z.]+

端口部分能夠寫爲：

(:\d+)?

路徑由多個子路徑組成，每一個子路徑以/開頭，後跟零個或多個非/的字符，簡單的說，表達式能夠爲：

(/[^/]*)*

更精確的說，把全部容許的字符列出來，表達式爲：

(/[-\w$.+!*'(),%;:@&=]*)*

對於查詢字符串，簡單的說，由非空字符串組成，表達式爲：

\?[\S]*

更精確的，把全部容許的字符列出來，表達式爲：

\?[-\w$.+!*'(),%;:@&=]*

路徑和查詢字符串是可選的，且查詢字符串只有在至少存在一個路徑的狀況下才能出現，其模式爲：

(/<sub_path>(/<sub_path>)*(\?<search>)?)?

因此，路徑和查詢部分的簡單表達式爲：

(/[^/]*(/[^/]*)*(\?[\S]*)?)?

精確表達式爲：

(/[-\w$.+!*'(),%;:@&=]*(/[-\w$.+!*'(),%;:@&=]*)*(\?[-\w$.+!*'(),%;:@&=]*)?)?

HTTP的完整Java表達式爲：

public static Pattern HTTP_PATTERN = Pattern.compile(
        "http://" + "[-0-9a-zA-Z.]+" // 主機名
        + "(:\\d+)?" // 端口
        + "(" // 可選的路徑和查詢 - 開始
            + "/[-\\w$.+!*'(),%;:@&=]*" // 第一層路徑
            + "(/[-\\w$.+!*'(),%;:@&=]*)*" // 可選的其餘層路徑
            + "(\\?[-\\w$.+!*'(),%;:@&=]*)?" // 可選的查詢字符串
        + ")?"); // 可選的路徑和查詢 - 結束

Email地址

完整的Email規範比較複雜，定義在https://tools.ietf.org/html/rfc822，咱們先看一些實際中經常使用的。

好比新浪郵箱，它的格式如：

abc@sina.com

對於用戶名部分，它的要求是：4-16個字符，可以使用英文小寫、數字、下劃線，但下劃線不能在首尾。

怎麼驗證用戶名呢？能夠爲：

[a-z0-9][a-z0-9_]{2,14}[a-z0-9]

新浪郵箱的完整Java表達式爲：

public static Pattern SINA_EMAIL_PATTERN = Pattern.compile(
        "[a-z0-9]" 
        + "[a-z0-9_]{2,14}"
        + "[a-z0-9]@sina\\.com");       

咱們再來看QQ郵箱，它對於用戶名的要求爲：

  • 3-18字符，可以使用英文、數字、減號、點或下劃線
  • 必須以英文字母開頭，必須以英文字母或數字結尾
  • 點、減號、下劃線不能連續出現兩次或兩次以上

若是隻有第一條，能夠爲：

[-0-9a-zA-Z._]{3,18}

爲知足第二條，能夠改成：

[a-zA-Z][-0-9a-zA-Z._]{1,16}[a-zA-Z0-9]

怎麼知足第三條呢？可使用邊界環視，左邊加以下表達式：

(?![-0-9a-zA-Z._]*(--|\.\.|__))

完整表達式能夠爲：

(?![-0-9a-zA-Z._]*(--|\.\.|__))[a-zA-Z][-0-9a-zA-Z._]{1,16}[a-zA-Z0-9]

QQ郵箱的完整Java表達式爲：

public static Pattern QQ_EMAIL_PATTERN = Pattern.compile(
        "(?![-0-9a-zA-Z._]*(--|\\.\\.|__))" // 點、減號、下劃線不能連續出現兩次或兩次以上
        + "[a-zA-Z]" // 必須以英文字母開頭
        + "[-0-9a-zA-Z._]{1,16}" // 3-18位 英文、數字、減號、點、下劃線組成
        + "[a-zA-Z0-9]@qq\\.com"); // 由英文字母、數字結尾

以上都是特定郵箱服務商的要求，通常的郵箱是什麼規則呢？通常而言，以@做爲分隔符，前面是用戶名，後面是域名。

用戶名的通常規則是：

  • 由英文字母、數字、下劃線、減號、點號組成
  • 至少1位，不超過64位
  • 開頭不能是減號、點號和下劃線

好比：

h_llo-abc.good@example.com

這個表達式能夠爲：

[0-9a-zA-Z][-._0-9a-zA-Z]{0,63}

域名部分以點號分隔爲多個部分，至少有兩個部分。最後一部分是頂級域名，由2到3個英文字母組成，表達式能夠爲：

[a-zA-Z]{2,3}

對於域名的其餘點號分隔的部分，每一個部分通常由字母、數字、減號組成，但減號不能在開頭，長度不能超過63個字符，表達式能夠爲：

[0-9a-zA-Z][-0-9a-zA-Z]{0,62}

因此，域名部分的表達式爲：

([0-9a-zA-Z][-0-9a-zA-Z]{0,62}\.)+[a-zA-Z]{2,3}

完整的Java表示爲：

public static Pattern GENERAL_EMAIL_PATTERN = Pattern.compile(
        "[0-9a-zA-Z][-._0-9a-zA-Z]{0,63}" // 用戶名
        + "@"
        + "([0-9a-zA-Z][-0-9a-zA-Z]{0,62}\\.)+" // 域名部分
        + "[a-zA-Z]{2,3}"); // 頂級域名     

中文字符

中文字符的Unicode編號通常位於\u4e00和\u9fff之間，因此匹配任意一箇中文字符的表達式能夠爲：

[\u4e00-\u9fff]

Java表達式爲：

public static Pattern CHINESE_PATTERN = Pattern.compile(
        "[\\u4e00-\\u9fff]");

小結

本節詳細討論和分析了一些常見的正則表達式，在實際開發中，有些能夠直接使用，有些須要根據具體文本和需求進行調整。

至此，關於正則表達式，咱們就介紹完了，相信你對正則表達式必定有了一個更爲清晰透徹的理解！

在以前的章節中，咱們都是基於Java 7討論的，從下節開始，咱們探討Java 8的一些特性，尤爲是函數式編程。

(與其餘章節同樣，本節全部代碼位於 https://github.com/swiftma/program-logic，位於包shuo.laoma.regex.c90下)

----------------

未完待續，查看最新文章，敬請關注微信公衆號「老馬說編程」(掃描下方二維碼)，從入門到高級，深刻淺出，老馬和你一塊兒探索Java編程及計算機技術的本質。用心原創，保留全部版權。

相關文章
相關標籤/搜索
每日一句
    每一个你不满意的现在，都有一个你没有努力的曾经。
本站公眾號
   歡迎關注本站公眾號,獲取更多信息
聯繫我們 最近搜索 最新文章 沪ICP备13005482号-10 MyBatis教程 SQL 教程 MySQL教程 Java 教程 Thymeleaf 教程 Hibernate教程 Spring教程 Redis教程