欢迎您访问程序员文章站本站旨在为大家提供分享程序员计算机编程知识!
您现在的位置是: 首页  >  IT编程

深入浅解正则表达式在Java中的使用

程序员文章站 2023-02-02 14:49:37
介绍 •正则表达式一般用于字符串匹配, 字符串查找和字符串替换. 别小看它的作用, 在工作学习中灵活运用正则表达式处理字符串能够大幅度提高效率, 编程的快...

介绍

•正则表达式一般用于字符串匹配, 字符串查找和字符串替换. 别小看它的作用, 在工作学习中灵活运用正则表达式处理字符串能够大幅度提高效率, 编程的快乐来得就是这么简单.

•一下子给出一堆匹配的规则可能会让人恐惧, 下面将由浅入深讲解正则表达式的使用.

从简单例子认识正则表达式匹配

•先上代码

public class demo1 {
 public static void main(string[] args) {
 //字符串abc匹配正则表达式"...", 其中"."表示一个字符
 //"..."表示三个字符
 system.out.println("abc".matches("..."));

 system.out.println("abcd".matches("..."));
 }
}
//输出结果
true
false

•string类中有个matches(string regex)方法, 返回值为布尔类型, 用于告诉这个字符串是否匹配给定的正则表达式.
•在本例中我们给出的正则表达式为..., 其中每个.表示一个字符, 整个正则表达式的意思是三个字符, 显然当匹配abc的时候结果为true, 匹配abcd时结果为false.

java中对正则表达式的支持(各种语言有相应的实现)

•在java.util.regex包下有两个用于正则表达式的类, 一个是matcher类, 另一个pattern. java官方文档中给出对这两个类的典型用法, 代码如下:

public class demo1 {
 public static void main(string[] args) {
 //字符串abc匹配正则表达式"...", 其中"."表示一个字符
 //"..."表示三个字符
 system.out.println("abc".matches("..."));

 system.out.println("abcd".matches("..."));
 }
}
//输出结果
true
false

•如果要深究正则表达式背后的原理, 会涉及编译原理中自动机等知识, 此处不展开描述. 为了达到通俗易懂, 这里用较为形象的语言描述.
•pattern可以理解为一个模式, 字符串需要与某种模式进行匹配. 比如demo2中, 我们定义的模式是一个长度为3的字符串, 其中每个字符必须是a~z中的一个.
•我们看到创建pattern对象时调用的是pattern类中的compile方法, 也就是说对我们传入的正则表达式编译后得到一个模式对象. 而这个经过编译后模式对象, 会使得正则表达式使用效率会大大提高, 并且作为一个常量, 它可以安全地供多个线程并发使用.
•matcher可以理解为模式匹配某个字符串后产生的结果. 字符串和某个模式匹配后可能会产生很多个结果, 这个会在后面的例子中讲解.
•最后当我们调用m.matches()时就会返回完整字符串与模式匹配的结果
•上面的三行代码可以简化为一行代码
system.out.println("abc".matches("[a-z]{3}"));
•但是如果一个正则表达式需要被重复匹配, 这种写法效率较低.

初步认识 . + * ?

•在介绍之前首先要说明的是, 正则表达式的具体含义不用强背, 各个符号的含义在java官方文档的pattern类描述中或网上有详细的定义. 当然能熟用就更好了.

public class demo3 {
 /**
 * 为了省略每次写打印语句, 这里把输出语句封装起来
 * @param o
 */
 private static void p(object o){
 system.out.println(o);
 }

 /**
 * . any character (may or may not match line terminators), 任意字符
 * x? x, once or not at all 零个或一个
 * x* x, zero or more times 零个或多个
 * x+ x, one or more times 一个或多个
 * x{n} x, exactly n times x出现n次
 * x{n,} x, at least n times x出现至少n次
 * x{n,m} x, at least n but not more than m times 出现n~m次
 * @param args
 */
 public static void main(string[] args) {
 p("a".matches("."));
 p("aa".matches("aa"));
 p("aaaa".matches("a*"));
 p("aaaa".matches("a+"));
 p("".matches("a*"));
 p("a".matches("a?"));

 // \d a digit: [0-9], 表示数字, 但是在java中对"\"这个符号需要使用\进行转义, 所以出现\\d
 p("2345".matches("\\d{2,5}"));
 // \\.用于匹配"."
 p("192.168.0.123".matches("\\d{1,3}\\.\\d{1,3}\\.\\d{1,3}\\.\\d{1,3}"));
 // [0-2]指必须是0~2中的一个数字
 p("192".matches("[0-2][0-9][0-9]"));
 }
}
//输出结果
//全为true

范围

•[]用于描述一个字符的范围, 下面是一些例子

public class demo4 {
 private static void p(object o){
 system.out.println(o);
 }

 public static void main(string[] args) {
 //[abc]指abc中的其中一个字母
 p("a".matches("[abc]"));
 //[^abc]指除了abc之外的字符
 p("1".matches("[^abc]"));
 //a~z或a~z的字符, 以下三个均是或的写法
 p("a".matches("[a-za-z]"));
 p("a".matches("[a-z|a-z]"));
 p("a".matches("[a-z[a-z]]"));
 //[a-z&&[req]]指a~z中并且属于req其中之一的字符
 p("r".matches("[a-z&&[req]]"));
 }
}
//输出结果

全部为true

认识\s \w \d - 下面介绍数字和字母的正则表达, 这是编程中使用最多的字符了.

关于\

•这里重点介绍最不好理解的\. 在java中的字符串中, 如果要用到特殊字符, 必须通过在前面加\进行转义.
•举个例子, 考虑这个字符串"老师大声说:"同学们,快交作业!"". 如果我们没有转义字符, 那么开头的双引号的结束应该在说:"这里, 但是我们的字符串中需要用到双引号, 所以需要用转义字符
•使用转义字符后的字符串为"老师大声说:\"同学们,快交作业!\"", 这样我们的原意才能被正确识别.
•同理如果我们要在字符串中使用\, 也应该在前面加一个\, 所以在字符串中表示为"\\"
•那么如何在正则表达式中表示要匹配\呢, 答案为"\\\\".
•我们分开考虑: 由于正则式中表示\同样需要转义, 所以前面的\\表示正则表达式中的转义字符\, 后面的\\表示正则表达式中\本身, 合起来在正则表达式中表示\.
•如果感觉有点绕的话请看下面代码

public class demo5 {
 private static void p(object o){
 system.out.println(o);
 }

 public static void main(string[] args) {
 /**
 * \d a digit: [0-9] 数字
 * \d a non-digit: [^0-9] 非数字
 * \s a whitespace character: [ \t\n\x0b\f\r] 空格
 * \s a non-whitespace character: [^\s] 非空格
 * \w a word character: [a-za-z_0-9] 数字字母和下划线
 * \w a non-word character: [^\w] 非数字字母和下划线
 */
 // \\s{4}表示4个空白符
 p(" \n\r\t".matches("\\s{4}"));
 // \\s表示非空白符
 p("a".matches("\\s"));
 // \\w{3}表示数字字母和下划线
 p("a_8".matches("\\w{3}"));
 p("abc888&^%".matches("[a-z]{1,3}\\d+[%^&*]+"));
 // 匹配 \
 p("\\".matches("\\\\"));
 }
}
//输出结果

全部为true

边界处理

•^在中括号内表示取反的意思[^], 如果不在中括号里则表示字符串的开头.

public class demo6 {
 private static void p(object o){
 system.out.println(o);
 }

 public static void main(string[] args) {
 /**
 * ^ the beginning of a line 一个字符串的开始
 * $ the end of a line 字符串的结束
 * \b a word boundary 一个单词的边界, 可以是空格, 换行符等
 */
 p("hello sir".matches("^h.*"));
 p("hello sir".matches(".*r$"));
 p("hello sir".matches("^h[a-z]{1,3}o\\b.*"));
 p("hellosir".matches("^h[a-z]{1,3}o\\b.*"));
 }
}

练习:匹配空白行合email地址

•拿到一篇文章, 如何判断里面有多少个空白行? 用正则表达式能方便地进行匹配, 注意空白行中可能包括空格, 制表符等.
p(" \n".matches("^[\\s&&[^\n]]*\\n$"));
•解释: ^[\\s&&[^\n]]*是空格符号但不是换行符, 最后以换行符结束
•下面是匹配邮箱
p("]+"));
•解释: [\\w[.-]]+以一个或多个数字字母下划线.或-组成, @接着是个@符号, 然后同样是[\\w[.-]]+, 接着\\.匹配., 最后同样是[\\w]+

matcher类的matches(),find()和lookingat()

•matches()方法会将整个字符串与模板进行匹配.
•find()则是从当前位置开始进行匹配, 如果传入字符串后首先进行find(), 那么当前位置就是字符串的开头, 对当前位置的具体分析可以看下面的代码示例
•lookingat()方法会从字符串的开头进行匹配.

public class demo8 {
 private static void p(object o){
 system.out.println(o);
 }

 public static void main(string[] args) {
 pattern pattern = pattern.compile("\\d{3,5}");
 string s = "123-34345-234-00";
 matcher m = pattern.matcher(s);

 //先演示matches(), 与整个字符串匹配.
 p(m.matches());
 //结果为false, 显然要匹配3~5个数字会在-处匹配失败

 //然后演示find(), 先使用reset()方法把当前位置设置为字符串的开头
 m.reset();
 p(m.find());//true 匹配123成功
 p(m.find());//true 匹配34345成功
 p(m.find());//true 匹配234成功
 p(m.find());//false 匹配00失败

 //下面我们演示不在matches()使用reset(), 看看当前位置的变化
 m.reset();//先重置
 p(m.matches());//false 匹配整个字符串失败, 当前位置来到-
 p(m.find());// true 匹配34345成功
 p(m.find());// true 匹配234成功
 p(m.find());// false 匹配00始边
 p(m.find());// false 没有东西匹配, 失败

 //演示lookingat(), 从头开始找
 p(m.lookingat());//true 找到123, 成功
 }
}

matcher类中的start()和end()

•如果一次匹配成功的话start()用于返回匹配开始的位置, end()用于返回匹配结束字符的后面一个位置

public class demo9 {
 private static void p(object o){
 system.out.println(o);
 }

 public static void main(string[] args) {
 pattern pattern = pattern.compile("\\d{3,5}");
 string s = "123-34345-234-00";
 matcher m = pattern.matcher(s);

 p(m.find());//true 匹配123成功
 p("start: " + m.start() + " - end:" + m.end());
 p(m.find());//true 匹配34345成功
 p("start: " + m.start() + " - end:" + m.end());
 p(m.find());//true 匹配234成功
 p("start: " + m.start() + " - end:" + m.end());
 p(m.find());//false 匹配00失败
 try {
 p("start: " + m.start() + " - end:" + m.end());
 }catch (exception e){
 system.out.println("报错了...");
 }
 p(m.lookingat());
 p("start: " + m.start() + " - end:" + m.end());
 }
}
//输出结果
true
start: 0 - end:3
true
start: 4 - end:9
true
start: 10 - end:13
false
报错了...
true
start: 0 - end:3

替换字符串

•想要替换字符串首先要找到被替换的字符串, 这里要新介绍matcher类中的一个方法group(), 它能返回匹配到的字符串.
•下面我们看一个例子, 把字符串中的java转换为大写.

public class demo10 {
 private static void p(object o){
 system.out.println(o);
 }

 public static void main(string[] args) {
 pattern p = pattern.compile("java");
 matcher m = p.matcher("java java java java i love java and you");
 p(m.replaceall("java"));//replaceall()方法会替换所有匹配到的字符串
 }
}
//输出结果
java java java java i love java and you

升级: 不区分大小写查找并替换字符串

•为了在匹配的时候不区分大小写, 我们要在创建模板模板时指定大小写不敏感
public static void main(string[] args) {
 pattern p = pattern.compile("java", pattern.case_insensitive);//指定为大小写不敏感的
 matcher m = p.matcher("java java java java i love java and you");
 p(m.replaceall("java"));
}
//输出结果
java java java java i love java and you

再升级: 不区分大小写, 替换查找到的指定字符串

•这里演示把查找到第奇数个字符串转换为大写, 第偶数个转换为小写
•这里会引入matcher类中一个强大的方法appendreplacement(stringbuffer sb, string replacement), 它需要传入一个

stringbuffer进行字符串拼接.

public static void main(string[] args) {
 pattern p = pattern.compile("java", pattern.case_insensitive);
 matcher m = p.matcher("java java java java i love java and you ?");
 stringbuffer sb = new stringbuffer();
 int index = 1;
 while(m.find()){
 //m.appendreplacement(sb, (index++ & 1) == 0 ? "java" : "java"); 较为简洁的写法
 if((index & 1) == 0){//偶数
 m.appendreplacement(sb, "java");
 }else{
 m.appendreplacement(sb, "java");
 }
 index++;
 }
 m.appendtail(sb);//把剩余的字符串加入
 p(sb);
}
//输出结果
java java java java i love java and you ?

分组

•先从一个问题引入, 看下面这段代码

public static void main(string[] args) {
 pattern p = pattern.compile("\\d{3,5}[a-z]{2}");
 string s = "123aa-5423zx-642oi-00";
 matcher m = p.matcher(s);
 while(m.find()){
 p(m.group());
 }
}
//输出结果
123aa
5423zx
642oi

•其中正则表达式"}"表示3~5个数字跟上两个字母, 然后打印出每个匹配到的字符串.
•如果想要打印每个匹配串中的数字, 如何操作呢.
•首先你可能想到把匹配到的字符串再进行匹配, 但是这样太麻烦了, 分组机制可以帮助我们在正则表达式中进行分组.
•规定使用()进行分组, 这里我们把字母和数字各分为一组"(})"
•然后在调用m.group(int group)方法时传入组号即可
•注意, 组号从0开始, 0组代表整个正则表达式, 从0之后, 就是在正则表达式中从左到右每一个左括号对应一个组. 在这个表达式中第1组是数字, 第2组是字母.

public static void main(string[] args) {
 pattern p = pattern.compile("(\\d{3,5})([a-z]{2})");//正则表达式为3~5个数字跟上两个字母
 string s = "123aa-5423zx-642oi-00";
 matcher m = p.matcher(s);
 while(m.find()){
 p(m.group(1));
 }
}
//输出结果
123
5423
642

实战1: 抓取网页中的email地址(爬虫)

•假设我们手头上有一些优质的资源, 打算分享给网友, 于是便到贴吧上发出一个留邮箱发资源的帖子. 没想到网友热情高涨, 留下了近百个邮箱. 但逐个复制发送太累了, 我们考虑用程序实现.
•这里不展开讲发邮件部分, 重点应用已经学到的正则表达式从网页中截取所有的邮箱地址.
•首先获取一个帖子的html代码随便找了一个, 点击跳转, 在浏览器中点击右键保存html文件
•接下来看代码:

public class demo12 {
 public static void main(string[] args) {
 bufferedreader br = null;
 try {
 br = new bufferedreader(new filereader("c:\\emailtest.html"));
 string line = "";
 while((line = br.readline()) != null){//读取文件的每一行
 parse(line);//解析其中的email地址
 }
 } catch (filenotfoundexception e) {
 e.printstacktrace();
 } catch (ioexception e) {
 e.printstacktrace();
 }finally {
 if(br != null){
 try {
  br.close();
  br = null;
 } catch (ioexception e) {
  e.printstacktrace();
 }
 }
 }
 }

 private static void parse(string line){
 pattern p = pattern.compile("[\\w[.-]]+@[\\w[.-]]+\\.[\\w]+");
 matcher m = p.matcher(line);
 while(m.find()){
 system.out.println(m.group());
 }
 }
}
//输出结果
2819531636@qq.com
2819531636@qq.com
2405059759@qq.com
2405059759@qq.com
1013376804@qq.com
...

实战2: 代码统计小程序

•最后的一个实战案例: 统计一个项目中一共有多少行代码, 多少行注释, 多少个空白行. 不妨对自己做过的项目进行统计, 发现不知不觉中也是个写过成千上万行代码的人了...
•我在github上挑选了一个项目, 是纯java写的小项目, 方便统计. 点击跳转
•下面是具体的代码, 除了判断空行用了正则表达式外, 判断代码行和注释行用了string类的api

public class demo13 {
 private static long codelines = 0;
 private static long commentlines = 0;
 private static long whitelines = 0;
 private static string filepath = "c:\\tankonline";
 public static void main(string[] args) {
 process(filepath);
 system.out.println("codelines : " + codelines);
 system.out.println("commentlines : " + commentlines);
 system.out.println("whitelines : " + whitelines);
 }
 /**
 * 递归查找文件
 * @param pathstr
 */
 public static void process(string pathstr){
 file file = new file(pathstr);
 if(file.isdirectory()){//是文件夹则递归查找
 file[] filelist = file.listfiles();
 for(file f : filelist){
 string fpath = f.getabsolutepath();
 process(fpath);
 }
 }else if(file.isfile()){//是文件则判断是否是.java文件
 if(file.getname().matches(".*\\.java$")){
 parse(file);
 }
 }
 }
 private static void parse(file file) {
 bufferedreader br = null;
 try {
 br = new bufferedreader(new filereader(file));
 string line = "";
 while((line = br.readline()) != null){
 line = line.trim();//清空每行首尾的空格
 if(line.matches("^[\\s&&[^\\n]]*$")){//注意不是以\n结尾, 因为在br.readline()会去掉\n
  whitelines++;
 }else if(line.startswith("/*") || line.startswith("*") || line.endswith("*/")){
  commentlines++;
 }else if(line.startswith("//") || line.contains("//")){
  commentlines++;
 }else{
  if(line.startswith("import") || line.startswith("package")){//导包不算
  continue;
  }
  codelines++;
 }
 }
 } catch (filenotfoundexception e) {
 e.printstacktrace();
 } catch (ioexception e) {
 e.printstacktrace();
 } finally {
 if(null != br){
 try {
  br.close();
  br = null;
 } catch (ioexception e) {
  e.printstacktrace();
 }
 }
 }
 }
}
//输出结果
codelines : 1139
commentlines : 124
whitelines : 172

贪婪模式与非贪婪模式

•经过两个实战后, 相信大家已经掌握了正则表达式的基本使用了, 下面介绍贪婪模式与非贪婪模式. 通过查看官方api我们发现pattern类中有如下定义:

greedy quantifiers 贪婪模式

x?  x, once or not at all
x*  x, zero or more times
x+  x, one or more times
x{n}    x, exactly n times
x{n,}   x, at least n times
x{n,m}  x, at least n but not more than m times

reluctant quantifiers 非贪婪模式(勉强的, 不情愿的)

x?? x, once or not at all
x*? x, zero or more times
x+? x, one or more times
x{n}?   x, exactly n times
x{n,}?  x, at least n times
x{n,m}? x, at least n but not more than m times 

possessive quantifiers  独占模式

x?+ x, once or not at all
x*+ x, zero or more times
x++ x, one or more times
x{n}+   x, exactly n times
x{n,}+  x, at least n times
x{n,m}+ x, at least n but not more than m times

•这三种模式表达的意思是一样的, 在前面的讲解中我们全部使用的是贪婪模式. 那么其他两种模式的写法有什么区别呢? 通过下面的代码示例进行讲解.

public static void main(string[] args) {
 pattern p = pattern.compile(".{3,10}[0-9]");
 string s = "aaaa5bbbb6";//10个字符
 matcher m = p.matcher(s);
 if(m.find()){
 system.out.println(m.start() + " - " + m.end());
 }else {
 system.out.println("not match!");
 }
}
//输出结果
0 - 10

•正则表达式的意思是3~10个字符加一个数字. 在贪婪模式下匹配时, 系统会先吞掉10个字符, 这时检查最后一个是否时数字, 发现已经没有字符了, 于是吐出来一个字符, 再次匹配数字, 匹配成功, 得到0-10.
•下面是非贪婪模式演示(勉强的, 不情愿的)

public static void main(string[] args) {
 pattern p = pattern.compile(".{3,10}?[0-9]");//添加了一个?
 string s = "aaaa5bbbb6";
 matcher m = p.matcher(s);
 if(m.find()){
 system.out.println(m.start() + " - " + m.end());
 }else {
 system.out.println("not match!");
 }
}
//输出结果
0 - 5

•在非贪婪模式下, 首先只会吞掉3个(最少3个), 然后判断后面一个是否是数字, 结果不是, 在往后吞一个字符, 继续判断后面的是否数字, 结果是, 输出0-5

•最后演示独占模式, 通常只在追求效率的情况下这么做, 用得比较少

public static void main(string[] args) {
 pattern p = pattern.compile(".{3,10}+[0-9]");//多了个+
 string s = "aaaa5bbbb6";
 matcher m = p.matcher(s);
 if(m.find()){
 system.out.println(m.start() + " - " + m.end());
 }else {
 system.out.println("not match!");
 }
}
//输出结果
not match!

•独占模式会一下吞进10个字符, 然后判断后一个是否是数字, 不管是否匹配成功它都不会继续吞或者吐出一个字符.

总结

以上所述是小编给大家介绍的正则表达式在java中的使用,希望对大家有所帮助