正則表達式工具

廢話：對於程序開發人員來講，不過正則表達式是否經常使用，我的認爲對於一個工具的熟練都是沒有必要的。因此文章目的就是能夠實現對於正則表達式的使用中遇到的困惑，你能夠方便的速查，節約二次搜索和熟悉的時間。

基礎知識

1.1 句點符號

 

假設你在玩英文拼字遊戲，想要找出三個字母的單詞，並且這些單詞必須以「t」字母開頭，以「n」字母結束。另外，假設有一本英文字典，你能夠用正則表達式搜索它的所有內容。要構造出這個正則表達式，你可使用一個通配符——句點符號「.」。這樣，完整的表達式就是「t.n」，它匹配「tan」、「ten」、「tin」和「ton」，還匹配「t#n」、「tpn」甚至「t n」，還有其餘許多無心義的組合。這是由於句點符號匹配全部字符，包括空格、Tab字符甚至換行符：

1.2 方括號符號

 爲了解決句點符號匹配範圍過於普遍這一問題，你能夠在方括號（「[]」）裏面指定看來有意義的字符。此時，只有方括號裏面指定的字符才參與匹配。也就是說，正則表達式「t[aeio]n」只匹配「tan」、「Ten」、「tin」和「ton」。但「Toon」不匹配，由於在方括號以內你只能匹配單個字符：

1.3 「或」符號

若是除了上面匹配的全部單詞以外，你還想要匹配「toon」，那麼，你可使用「|」操做符。「|」操做符的基本意義就是「或」運算。要匹配「toon」，使用「t(a|e|i|o|oo)n」正則表達式。這裏不能使用方擴號，由於方括號只容許匹配單個字符；這裏必須使用圓括號「()」。圓括號還能夠用來分組。

1.4 表示匹配次數的符號

 

下表顯示了正則表達式的語法：

 

 

元字符	說明
.	匹配任何單個字符。例如正則表達式「b.g」能匹配以下字符串：「big」、「bug」、「b g」，可是不匹配「buug」。
$	匹配行結束符。例如正則表達式「EJB$」可以匹配字符串「I like EJB」的末尾，可是不能匹配字符串「J2EE Without EJBs！」。
^	匹配一行的開始。例如正則表達式「^Spring」可以匹配字符串「Spring is a J2EE framework」的開始，可是不能匹配「I use Spring in my project」。
*	匹配0至多個在它以前的字符。例如正則表達式「zo*」能匹配「z」以及「zoo」；正則表達式「.*」意味着可以匹配任意字符串。
/	轉義符，用來將元字符看成普通的字符來進行匹配。例如正則表達式/$被用來匹配美圓符號，而不是行尾；正則表達式/.用來匹配點字符，而不是任何字符的通配符。
[]	匹配括號中的任何一個字符。例如正則表達式「b[aui]g」匹配bug、big和bug，可是不匹配beg。能夠在括號中使用連字符「-」來指定字符的區間來簡化表示，例如正則表達式[0-9]能夠匹配任何數字字符，這樣正則表達式「a[]c」就能夠匹配「a0c」、「a1c」、「a2c」等字符串；還能夠制定多個區間，例如「[A-Za-z]」能夠匹配任何大小寫字母。還有一個相配合使用的元字符「^」，用在這裏並不像前邊的那個「^」同樣表示匹配行開始，而是表示「排除」，要想匹配除了指定區間以外的字符，就能夠在左邊的括號和第一個字符之間使用^字符，例如「[^163A-Z]」將能偶匹配除了一、六、3和全部大寫字母以外的任何字符。
( )	將 () 之間括起來的表達式定義爲「組」(group)，而且將匹配這個表達式的字符保存到一個臨時區域,這個元字符在字符串提取的時候很是有用。
|	將兩個匹配條件進行邏輯「或」運算。'z|food' 能匹配 "z" 或 "food"。'(z|f)ood' 則匹配"zood" 或 "food"。
+	匹配前面的子表達式一次或屢次。例如正則表達式9+匹配九、9九、999等。
?	匹配前面的子表達式零次或一次。例如，"do(es)?" 能夠匹配 "do" 或 "does" 中的"do" 。此元字符還有另一個用途，就是表示非貪婪模式匹配，後邊將有介紹
{n}	匹配肯定的 n 次。例如，「e{2}」不能匹配「bed」中的「d」，可是能匹配「seed」中的兩個「e」。
{n,}	至少匹配n次。例如，「e{2,}」不能匹配「bed」中的「e」，但能匹配「seeeeeeeed」中的全部「e」。
{n,m}	最少匹配 n 次且最多匹配 m 次。「e{1,3}」將匹配「seeeeeeeed」中的前三個「e」。

 

 

      假設咱們要在文本文件中搜索美國的社會安全號碼。這個號碼的格式是999-99-9999。用來匹配它的正則表達式如圖一所示。在正則表達式中，連字符（「-」）有着特殊的意義，它表示一個範圍，好比從0到9。所以，匹配社會安全號碼中的連字符號時，它的前面要加上一個轉義字符「/」。

 

      假設進行搜索的時候，你但願連字符號能夠出現，也能夠不出現——即，999-99-9999和999999999都屬於正確的格式。這時，你能夠在連字符號後面加上「？」數量限定符號。

 

      美國汽車牌照的一種格式是四個數字加上二個字母。它的正則表達式前面是數字部分「[0-9]{4}」，再加上字母部分「[A-Z]{2}」。

1.5 「否」符號

      「^」符號稱爲「否」符號。若是用在方括號內，「^」表示不想要匹配的字符。例如，圖四的正則表達式匹配全部單詞，但以「X」字母開頭的單詞除外。

1.6 圓括號和空白符號

     「/s」符號是空白符號，匹配全部的空白字符，包括Tab字符。若是字符串正確匹配，接下來如何提取出月份部分呢？只需在月份周圍加上一個圓括號建立一個組，而後用ORO API提取出它的值。

1.7 其它符號

     爲簡便起見，你可使用一些爲常見正則表達式建立的快捷符號。如如下所示：

/t：製表符，等同於/u0009

/n：換行符，等同於/u000A

/d：表明一個數字，等同於[0-9]

/D：表明非數字，等同於[^0-9]

/s：表明換行符、Tab製表符等空白字符

/S：表明非空白字符

/w：字母字符，等同於[a-zA-Z_0-9]

/W：非字母字符，等同於[^/w]

例如，在前面社會安全號碼的例子中，全部出現「[0-9]」的地方咱們均可以使用「/d」。

 

 

代碼：

    public static void getChinese(String str){  
        String regex = "[//u4E00-//u9FFF]+";//[//u4E00-//u9FFF]爲漢字   
        Pattern pattern = Pattern.compile(regex);  
        Matcher matcher = pattern.matcher(str);  
        StringBuffer sb = new StringBuffer();  
        while(matcher.find()){  
            sb.append(matcher.group());  
        }  
        System.out.println(sb);  
    } 

 

總結：Java正則包的算法應該是nfa，實現慢，對於其優化表達式，減小循環和回溯，對於大數據屢次匹配的，能夠把pattern作成靜態，省去了自動狀態機的新建時間。

正則表達式涉及到許多循環操做，尤爲是本身不會用的，因此確定沒有利用hashset匹配快！！！正則優化參考Mastering Regular Expressions 一書，簡單不如窮舉匹配

在線測試工具：http://tool.oschina.net/regex/

 

 

資料：http://blog.csdn.net/keenweiwei/article/details/38121339

http://blog.csdn.net/luosijin123/article/details/4792181

http://www.jb51.net/article/36039.htm

正則表達式有限狀態機：http://blog.charlee.li/parse-regex-with-dfa/