Java編程的邏輯 (88) - 正則表達式 (上)

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.html

---

上節咱們提到了正則表達式，它提高了文本處理的表達能力，本節就來討論正則表達式，它是什麼？有什麼用？各類特殊字符都是什麼含義？如何用Java藉助正則表達式處理文本？都有哪些經常使用正則表達式？因爲內容較多，咱們分爲三節進行探討，本節先簡要探討正則表達式的語法。

正則表達式是一串字符，它描述了一個文本模式，利用它能夠方便的處理文本，包括文本的查找、替換、驗證、切分等。

正則表達式中的字符有兩類，一類是普通字符，就是匹配字符自己，另外一類是元字符，這些字符有特殊含義，這些元字符及其特殊含義就構成了正則表達式的語法。

正則表達式有一個比較長的歷史，各類與文本處理有關的工具、編輯器和系統都支持正則表達式，大部分編程語言也都支持正則表達式。雖然都叫正則表達式，但因爲歷史緣由，不一樣語言、系統和工具的語法不太同樣，本文主要針對Java語言，其餘語言可能有所差異。

下面，咱們就來簡要介紹正則表達式的語法，咱們先分爲如下部分分別介紹：

• 單個字符
• 字符組
• 量詞
• 分組
• 特殊邊界匹配
• 環視邊界匹配

最後針對轉義、匹配模式和各類語法進行總結。

單個字符

大部分的單個字符就是用字符自己表示的，好比字符'0','3','a','馬'等，但有一些單個字符使用多個字符表示，這些字符都以斜槓'\'開頭，好比：

• 特殊字符，好比tab字符'\t'，換行符'\n'，回車符'\r'等；
  
• 八進制表示的字符，以\0開頭，後跟1到3位數字，好比\0141，對應的是ASCII編碼爲97的字符，即字符'a'；
• 十六進制表示的字符，以\x開頭，後跟兩位字符，好比\x6A，對應的是ASCII編碼爲106的字符，即字符'j'；
• Unicode編號表示的字符，以\u開頭，後跟四位字符，好比\u9A6C，表示的是中文字符'馬'，這隻能表示編號在0xFFFF如下的字符，若是超出0XFFFF，使用\x{...}形式，好比對於字符'💎'，可使用\x{1f48e}；
• 斜槓\自己，斜槓\是一個元字符，若是要匹配它自身，使用兩個斜槓表示，即'\\'；
• 元字符自己，除了'\'，正則表達式中還有不少元字符，好比. * ? +等，要匹配這些元字符自身，須要在前面加轉義字符'\'，好比'\.'。
  

字符組

任意字符

點號字符'.'是一個元字符，默認模式下，它匹配除了換行符之外的任意字符，好比正則表達式：

a.f

既匹配字符串"abf"，也匹配"acf"。

能夠指定另一種匹配模式，通常稱爲單行匹配模式或者叫點號匹配模式，在此模式下，'.'匹配任意字符，包括換行符。

能夠有兩種方式指定匹配模式，一種是在正則表達式中，以(?s)開頭，s表示single line，即單行匹配模式，好比：

(?s)a.f

另一種是在程序中指定，在Java中，對應的模式常量是Pattern.DOTALL，下節咱們再介紹Java API。

指定的多個字符之一

在單個字符和任意字符之間，有一個字符組的概念，匹配組中的任意一個字符，用中括號[]表示，好比：

[abcd]

匹配a, b, c, d中的任意一個字符。

[0123456789]

匹配任意一個數字字符。

字符區間

爲方便表示連續的多個字符，字符組中可使用連字符'-'，好比：

[0-9]
[a-z]

能夠有多個連續空間，能夠有其餘普通字符，好比：

[0-9a-zA-Z_]

在字符組中，'-'是一個元字符，若是要匹配它自身，可使用轉義，即'\-'，或者把它放在字符組的最前面，好比：

[-0-9]

排除型字符組

字符組支持排除的概念，在[後緊跟一個字符^，好比：

[^abcd]

表示匹配除了a, b, c, d之外的任意一個字符。

[^0-9]

表示匹配一個非數字字符。

排除不是不能匹配，而是匹配一個指定字符組之外的字符，要表達不能匹配的含義，須要使用後文介紹的環視語法。

^只有在字符組的開頭纔是元字符，若是不在開頭，就是普通字符，匹配它自身，好比：

[a^b]

就是匹配字符a, ^或b。

字符組內的元字符

在字符組中，除了^ - [ ] \外，其餘在字符組外的元字符再也不具有特殊含義，變成了普通字符，好比'.'，[.*]就是匹配'.'或者'*'自己。

字符組運算

字符組內能夠包含字符組，好比：

[[abc][def]]

最後的字符組等同於[abcdef]，內部多個字符組等同於並集運算。

字符組內還支持交集運算，語法是使用&&，好比：

[a-z&&[^de]]

匹配的字符是a到z，但不能是d或e。

須要注意的是，其餘語言可能不支持字符組運算。

預約義的字符組

有一些特殊的以\開頭的字符，表示一些預約義的字符組，好比：

• \d：d表示digit，匹配一個數字字符，等同於[0-9] ;
• \w：w表示word，匹配一個單詞字符，等同於[a-zA-Z_0-9];
• \s：s表示space，匹配一個空白字符，等同於[ \t\n\x0B\f\r]。

它們都有對應的排除型字符組，用大寫表示，即：

• \D：匹配一個非數字字符，即[^\d] ;
• \W：匹配一個非單詞字符，即[^\w];
• \S：匹配一個非空白字符，即[^\s]。

POSIX字符組

還有一類字符組，稱爲POSIX字符組，POSIX是一個標準，POSIX字符組是POSIX標準定義的一些字符組，在Java中，這些字符組的形式是\p{...}，好比：

• \p{Lower}：小寫字母，等同於[a-z]；
• \p{Upper}：大寫字母，等同於[A-Z];
• \p{Digit}：數字，等同於[0-9]；
• \p{Punct} ：標點符號，匹配!"#$%&'()*+,-./:;<=>?@[\]^_`{|}~中的一個。

POSIX字符組比較多，本文就不列舉了。

量詞

經常使用量詞 + * ?

量詞指的是指定出現次數的元字符，有三個常見的元字符+ * ?：

• +：表示前面字符的一次或屢次出現，好比正則表達式ab+c，既能匹配abc，也能匹配abbc，或abbbc；
• *：表示前面字符的零次或屢次出現，好比正則表達式ab*c，既能匹配abc，也能匹配ac，或abbbc；
• ?：表示前面字符可能出現，也可能不出現，好比正則表達式ab?c，既能匹配abc，也能匹配ac，但不能匹配abbc。

通用量詞 {m,n}

更爲通用的表示出現次數的語法是{m,n}，出現次數從m到n，包括m和n，若是n沒有限制，能夠省略，若是m和n同樣，能夠寫爲{m}，好比：

• ab{1,10}c：b能夠出現1次到10次
• ab{3}c：b必須出現三次，即只能匹配abbbc
• ab{1,}c：與ab+c同樣
• ab{0,}c：與ab*c同樣
• ab{0,1}c：與ab?c同樣

須要注意的是，語法必須是嚴格的{m,n}形式，逗號左右不能有空格。

?, *, +, {是元字符，若是要匹配這些字符自己，須要使用'\'轉義，好比

a\*b

匹配字符串"a*b"。

這些量詞出如今字符組中時，不是元字符，好比表達式

[?*+{]

就是匹配其中一個字符自己。

貪婪與懶惰

關於量詞，它們的默認匹配是貪婪的，什麼意思呢？看個例子，正則表達式是：

<a>.*</a>

若是要處理的字符串是：

<a>first</a><a>second</a>

目的是想獲得兩個匹配，一個匹配：

<a>first</a>

另外一個匹配：

<a>second</a>

但默認狀況下，獲得的結果卻只有一個匹配，匹配全部內容。

這是由於.*能夠匹配第一個<a>和最後一個</a>之間的全部字符，只要能匹配，.*就儘可能日後匹配，它是貪婪的。若是但願在碰到第一個匹配時就中止呢？應該使用懶惰量詞，在量詞的後面加一個符號'?'，針對上例，將表達式改成：

<a>.*?</a>

就能獲得指望的結果。

全部量詞都有對應的懶惰形式，好比：x??, x*?, x+?, x{m,n}?等。

分組

表達式能夠用括號()括起來，表示一個分組，好比a(bc)d，bc就是一個分組，分組能夠嵌套，好比a(de(fg))。

捕獲分組

分組默認都有一個編號，按照括號的出現順序，從1開始，從左到右依次遞增，好比表達式：

a(bc)((de)(fg))

字符串abcdefg匹配這個表達式，第1個分組爲bc，第2個爲defg，第3個爲de，第4個爲fg。分組0是一個特殊分組，內容是整個匹配的字符串，這裏是abcdefg。

分組匹配的子字符串能夠在後續訪問，好像被捕獲了同樣，因此默認分組被稱爲捕獲分組。關於如何在Java中訪問和使用捕獲分組，咱們下節再介紹。

分組量詞

能夠對分組使用量詞，表示分組的出現次數，好比a(bc)+d，表示bc出現一次或屢次。

分組多選

中括號[]表示匹配其中的一個字符，括號()和元字符'|'一塊兒，能夠表示匹配其中的一個子表達式，好比

(http|ftp|file)

匹配http或ftp或file。

須要注意區分|和[]，|用於[]中再也不有特殊含義，好比

[a|b]

它的含義不是匹配a或b，而是a或|或b。

回溯引用

在正則表達式中，可使用斜槓\加分組編號引用以前匹配的分組，這稱之爲回溯引用，好比：

<(\w+)>(.*)</\1>

\1匹配以前的第一個分組(\w+)，這個表達式能夠匹配相似以下字符串：

<title>bc</title>

這裏，第一個分組是"title"。

命名分組

使用數字引用分組，可能容易出現混亂，能夠對分組進行命名，經過名字引用以前的分組，對分組命名的語法是(?<name>X)，引用分組的語法是\k<name>，好比，上面的例子能夠寫爲：

<(?<tag>\w+)>(.*)</\k<tag>>

非捕獲分組

默認分組都稱之爲捕獲分組，即分組匹配的內容被捕獲了，能夠在後續被引用，實現捕獲分組有必定的成本，爲了提升性能，若是分組後續不須要被引用，能夠改成非捕獲分組，語法是(?:...)，好比：

(?:abc|def)

特殊邊界匹配

在正則表達式中，除了能夠指定字符需知足什麼條件，還能夠指定字符的邊界需知足什麼條件，或者說匹配特定的邊界，經常使用的表示特殊邊界的元字符有^, $, \A, \Z, \z和\b。

邊界 ^

默認狀況下，^匹配整個字符串的開始，^abc表示整個字符串必須以abc開始。

須要注意的是^的含義，在字符組中它表示排除，但在字符組外，它匹配開始，好比表達式^[^abc]，表示以一個不是a,b,c的字符開始。

邊界 $

默認狀況下，$匹配整個字符串的結束，不過，若是整個字符串以換行符結束，$匹配的是換行符以前的邊界，好比表達式abc$，表示整個表達式以abc結束，或者以abc\r\n或abc\n結束。

多行匹配模式

以上^和$的含義是默認模式下的，能夠指定另一種匹配模式，多行匹配模式，在此模式下，會以行爲單位進行匹配，^匹配的是行開始，$匹配的是行結束，好比表達式是^abc$，字符串是"abc\nabc\r\n"，就會有兩個匹配。

能夠有兩種方式指定匹配模式，一種是在正則表達式中，以(?m)開頭，m表示multiline，即多行匹配模式，上面的正則表達式能夠寫爲：

(?m)^abc$

另一種是在程序中指定，在Java中，對應的模式常量是Pattern.MULTILINE，下節咱們再介紹Java API。

須要說明的是，多行模式和以前介紹的單行模式容易混淆，其實，它們之間沒有關係，單行模式影響的是字符'.'的匹配規則，使得'.'能夠匹配換行符，多行模式影響的是^和$的匹配規則，使得它們能夠匹配行的開始和結束，兩個模式能夠一塊兒使用。

邊界 \A

\A與^相似，但無論什麼模式，它匹配的老是整個字符串的開始邊界。

邊界 \Z和\z

\Z和\z與$相似，但無論什麼模式，它們匹配的老是整個字符串的結束，\Z與\z的區別是，若是字符串以換行符結束，\Z與$同樣，匹配的是換行符以前的邊界，而\z匹配的老是結束邊界。在進行輸入驗證的時候，爲了確保輸入最後沒有多餘的換行符，可使用\z進行匹配。

單詞邊界 \b

\b匹配的是單詞邊界，好比\bcat\b，匹配的是完整的單詞cat，它不能匹配category，\b匹配的不是一個具體的字符，而是一種邊界，這種邊界知足一個要求，即一邊是單詞字符，另外一邊不是單詞字符。在Java中，\b識別的單詞字符除了\w，還包括中文字符。

到底什麼是邊界匹配？

邊界匹配可能難以理解，咱們強調下，到底什麼是邊界匹配。邊界匹配不一樣於字符匹配，能夠認爲，在一個字符串中，每一個字符的兩邊都是邊界，而上面介紹的這些特殊字符，匹配的都不是字符，而是特定的邊界，看個例子：

上面的字符串是"a cat\n"，咱們用粗線顯示出了每一個字符兩邊的邊界，而且顯示出了每一個邊界與哪些邊界元字符匹配。

環視邊界匹配

定義

對於邊界匹配，除了使用上面介紹的邊界元字符，還有一種更爲通用的方式，那就是環視，環視的字面意思就是左右看看，須要左右符合一些條件，本質上，它也是匹配邊界，對邊界有一些要求，這個要求是針對左邊或右邊的字符串的，根據要求不一樣，分爲四種環視：

• 確定順序環視，語法是(?=...)，要求右邊的字符串匹配指定的表達式，好比表達式abc(?=def)，(?=def)在字符c右面，即匹配c右面的邊界，對這個邊界的要求是，它的右邊有def，好比abcdef，若是沒有，好比abcd，則不匹配；
• 否認順序環視，語法是(?!...)，要求右邊的字符串不能匹配指定的表達式，好比表達式s(?!ing)，匹配通常的s，但不匹配後面有ing的s；
• 確定逆序環視，語法是(?<=...)，要求左邊的字符串匹配指定的表達式，好比表達式(?<=\s)abc，(?<=\s)在字符a左邊，即匹配a左邊的邊界，對這個邊界的要求是，它的左邊必須是空白字符；
• 否認逆序環視，語法是(?<!...)，要求左邊的字符串不能匹配指定的表達式，好比表達式(?<!\w)cat，(?<!\w)在字符c左邊，即匹配c左邊的邊界，對這個邊界的要求是，它的左邊不能是單詞字符。

能夠看出，環視也使用括號()，不過，它不是分組，不佔用分組編號。

這些環視結構也被稱爲斷言，斷言的對象是邊界，邊界不佔用字符，沒有寬度，因此也被稱爲零寬度斷言。

否認順序環視與排除型字符組

關於否認順序環視，咱們要避免與排除型字符組混淆，即區分s(?!ing)與s[^ing]，s[^ing]匹配的是兩個字符，第一個是s，第二個是i, n, g之外的任意一個字符。還要注意，寫法s(^ing)是不對的，^匹配的是起始位置。

出如今左邊的順序環視

順序環視也能夠出如今左邊，好比表達式：

(?=.*[A-Z])\w+

這個表達式是什麼意思呢？

\w+匹配多個單詞字符，(?=.*[A-Z])匹配單詞字符的左邊界，這是一個確定順序環視，對這個邊界的要求是，它右邊的字符串匹配表達式：

.*[A-Z]

也就是說，它右邊至少要有一個大寫字母。

出如今右邊的逆序環視

逆序環視也能夠出如今右邊，好比表達式：

[\w.]+(?<!\.)

[\w.]+匹配單詞字符和字符'.'構成的字符串，好比"hello.ma"。(?<!\.)匹配字符串的右邊界，這是一個逆序否認環視，對這個邊界的要求是，它左邊的字符不能是'.'，也就是說，若是字符串以'.'結尾，則匹配的字符串中不能包括這個'.'，好比，若是字符串是"hello.ma."，則匹配的子字符串是"hello.ma"。

並行環視

環視匹配的是一個邊界，裏面的表達式是對這個邊界左邊或右邊字符串的要求，對同一個邊界，能夠指定多個要求，即寫多個環視，好比表達式：

(?=.*[A-Z])(?=.*[0-9])\w+

\w+的左邊界有兩個要求，(?=.*[A-Z])要求後面至少有一個大寫字母，(?=.*[0-9])要求後面至少有一位數字。

轉義與匹配模式

轉義

咱們知道，字符'\'表示轉義，轉義有兩種：

• 把普通字符轉義，使其具有特殊含義，好比'\t', '\n', '\d', '\w', '\b', '\A'等，也就是說，這個轉義把普通字符變爲了元字符；
• 把元字符轉義，使其變爲普通字符，好比'\.', '\*', '\?','\(', '\\'等。

記住全部的元字符，並在須要的時候進行轉義，這是比較困難的，有一個簡單的辦法，能夠將全部元字符看作普通字符，就是在開始處加上\Q，在結束處加上\E，好比：

\Q(.*+)\E

\Q和\E之間的全部字符都會被視爲普通字符。

正則表達式用字符串表示，在Java中，字符'\'也是字符串語法中的元字符，這使得正則表達式中的'\'，在Java字符串表示中，要用兩個'\'，即'\\'，而要匹配字符'\'自己，在Java字符串表示中，要用四個'\'，即'\\\\'，關於這點，下節咱們會進一步說明。

匹配模式

前面提到了兩種匹配模式，還有一種經常使用的匹配模式，就是不區分大小寫的模式，指定方式也有兩種，一種是在正則表達式開頭使用(?i)，i爲ignore，好比：

(?i)the

既能夠匹配the，也能夠匹配THE，還能夠匹配The。

也能夠在程序中指定，Java中對應的變量是Pattern.CASE_INSENSITIVE。

須要說明的是，匹配模式間不是互斥的關係，它們能夠一塊兒使用，在正則表達式中，能夠指定多個模式，好比(?smi)。

語法總結

下面，咱們用表格的形式簡要彙總下正則表達式的語法。

 

小結

本節簡要介紹了正則表達式中的語法，下一節，咱們來探討相關的Java API。

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

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。