[toc] >重新發佈於2020年09月27日，寫於2016年 看了好些天的正則表示式，終於有時間來寫一篇關於它的部落格了。也是因為前段時間做標籤處理的工作用到，用正則匹配標籤規則，少寫了不少程式碼。在有的地方使用正則表示式確實特別棒。參考[博文http://blog.csdn.net/yaerfeng/article/details/28855587](http://blog.csdn.net/yaerfeng/article/details/28855587) ，文中提到程式設計師的七種基本技能，確實各種語言，系統裡幾乎都有對正則的支援，雖說不用精通，但也要基本運用沒問題。 ## 元字元 元字元標識在正則表示式中有特殊含義的字元，正是由它們，正則表示式才真正存在。JAVA中支援的元字元列表有：`([{\^-$|}])?*+.` - `(` `)`：正則組中使用 - `[` `]`：字元類中表示一個字元 - `{` `}`：數量範圍標識 - `\`：預定義字元類中使用 - `^` `$`：邊界標識 - `-`：字元類中表示某個範圍時使用，和"[]"配合使用 - `|`：邏輯或 - `?` `*` `+`：預定義數量詞 - `^`：邏輯非 - `.`：點號匹配除換行符的任意字元 (這個地方任然有點疑問) **這裡要特別說明一個符號`&`，雖然`&&`在`字元類`中扮演著`邏輯與`運算，但卻不在元字元行列中** ## 檢測工具 為了學習簡單，寫了一段測試程式碼做檢測用，當然你也可以使用網上的檢測工具，由於目前各個語言正則的引擎各有取捨，所以線上工具的檢測結果不一定和程式碼檢測結果相同（基本上沒太大出入），但用於理解正則，還是很有用的。 **簡單案例：匹配5個連續的數字** 正則表示式為`[0-9]{5}`，先用開源中國的線上[測試工具](http://tool.oschina.net/regex/)測試一下。待匹配的字串為“`自由12345飛翔`”  JAVA檢測程式碼如下 ``` /** * 檢測簡單方法 * @param target //待查詢匹配的字串 * @param regex //匹配規則的正則表示式 */ public static void simpletest(String target,String regex) { Pattern p = Pattern.compile(regex);//java.util.regex.Pattern; Matcher matcher = p.matcher(target);//java.util.regex.Pattern; while (matcher.find()) { System.out.println(matcher.group(0)); } } ``` ``` simpletest("自由12345飛翔", "[0-9]{5}"); //執行結果如下 12345 ``` ## 普通字元 所謂普通字元即為非元字元，上文中提到的元字元列表，即不是上面列表中的字元，就視為普通字元，普通字元為原樣匹配 **案例1，普通字元** ``` simpletest("自123由飛12333翔", "123"); //執行結果如下 123 123 ``` 如上案例中，會去目標字串"`自123由飛12333翔`"中查詢`123`，由於123為普通字元，沒有特殊含義，此時原樣匹配，所以匹配到"`自123由飛12333翔`"中兩組`123` **案例2，元字元** ``` simpletest("自[]由飛翔", "["); //執行結果如下 直接報錯 Exception in thread "main" java.util.regex.PatternSyntaxException: Unclosed character class ``` 如果要讓元字元原樣匹配，則需要用`\`轉義元字元，JAVA中`\\`才表示普通字串的`\`，所以為`\\[` ``` simpletest("自[]由飛翔", "\\["); //執行結果如下 [ ``` 如上，通過轉義，匹配到 “自`[`]由飛翔”中的元字元 `[` 而線上工具可以直接將字元讀入，所以不用`\\`，`\[`就表示匹配字元`[`，如下  **案例3，普通字元&** ``` simpletest("自&&由飛翔", "&&"); //執行結果如下 && simpletest("自&由&飛翔", "&"); //執行結果如下 & & ``` 案例3可以看出，雖然`&&`有特殊含義，但單獨用時，不用轉義，和`普通字元`完全相同 ## 字元類 `字元類（character class）`，這裡這個詞語是個專用名詞，在[JAVA API](http://tool.oschina.net/apidocs/apidoc?api=jdk-zh) 中的Pattern類中我們可以看到字元類的一個列表。**一個`[]`中的規則叫一個字元類，一個字元類僅匹配一個字元(一個位置)** - [abc] a、b 或 c（簡單類） - [^abc] 任何字元，除了 a、b 或 c（否定） - [a-zA-Z] a 到 z 或 A 到 Z，兩頭的字母包括在內（範圍） **數字範圍也能類似表示如[0-9]代表0到9中任意一個數字** - [a-d[m-p]] a 到 d 或 m 到 p：[a-dm-p]（並集） **等同於[a-d|[m-p]] 等同與 [[a-d]|[m-p]] ** - [a-z&&[def]] d、e 或 f（交集） - [a-z&&[^bc]] a 到 z，除了 b 和 c：[ad-z]（減去） **差集** - [a-z&&[^m-p]] a 到 z，而非 m 到 p：[a-lq-z]（減去）**差集** **案例** ``` simpletest("abcd", "[abc]"); //執行結果如下 a b c simpletest("abcd", "[^abc]"); //執行結果如下 d simpletest("abcd", "[a-zA-Z]"); //執行結果如下 a b c simpletest("an", "[a-d[m-p]]"); //執行結果如下 a n simpletest("abcd", "[a-z&&[def]]"); //執行結果如下 d simpletest("abcd", "[a-z&&[^bc]]"); //執行結果如下 a d simpletest("an", "[a-z&&[^m-p]]"); //執行結果如下 a ``` 現在我們清楚的看出來，一個字元類，也就是`[]`及中間內容代表一個範圍，表示匹配一個字元，中括號中包含這個字元可能出現的所有情況，由於檢測工具中使用了迴圈查詢匹配，所以輸出結果會查詢到多個字元打印出來 ## 預定義字元類 預定義字元類，是正則表示式中代表一組字元的特殊表示，由`\`打頭，如下為[JAVA API](http://tool.oschina.net/apidocs/apidoc?api=jdk-zh) 中Pattern類的預定義字元類列表 `.`： 任何字元（與行結束符可能匹配也可能不匹配） `\d`：數字：[0-9] `\D`：非數字： [^0-9] `\s`：空白字元：[ \t\n\x0B\f\r] `\S`：非空白字元：[^\s] `\w`：單詞字元：[a-zA-Z_0-9] `\W`：非單詞字元：[^\w] **案例** ``` simpletest("自由12345飛翔", "\\d{5}"); //同理，\d在JAVA中需要轉義 //執行結果如下 12345 simpletest("自由12345飛翔", "\\D+"); //預定義數量詞稍後再說 //執行結果如下 自由 飛翔 simpletest("自由 \t飛翔", "\\s+"); //執行結果如下 ` `//此處匹配到一個空格和一個製表符 simpletest("自由 \t飛翔", "\\S+"); //執行結果如下 自由 飛翔 simpletest("自由abc飛翔", "\\w+"); //執行結果如下 abc simpletest("自由abc飛翔", "\\W+"); //執行結果如下 自由 飛翔 ``` ## 數量詞 #### 預設數量詞 正則匹配中字元都有要匹配的數量，如果沒有加數量詞，預設數量為1，匹配一個的意思 **案例1** ``` simpletest("自由12345飛翔", "\\D"); //執行結果如下 自 由 飛 翔 simpletest("自由12345飛翔", "\\D+"); //執行結果如下 自由 飛翔 ``` 如上案例中`\\D`代表匹配查詢非數字字元，預設數量詞為1，所以查詢到一個非數字字元後直接列印後，便進入下次查詢，結果如上第一段程式碼 如上案例中`\\D+`中引入`+`號預定義量詞，代表匹配大於等於1次的連續非數字字元，所以匹配到自由後進入下一次查詢 #### 自定義量詞 使用者希望匹配幾次，就給定匹配次數，我這裡姑且叫它自定義量詞吧。由大括號，上下限數量組成，上限數量可以缺少 - `{n}`：恰好n個 - `{n,}`：大於等於n個 - `{n,m}`：大於等於n個，小於等於m個 **注意：並沒有{,m}這種寫法** **案例** ``` simpletest("自由12345飛翔", "\\d{2}"); //執行結果如下 12 simpletest("自由12345飛翔", "\\d{2,}"); //執行結果如下 12345 simpletest("自由12345飛翔", "\\d{2,4}"); //執行結果如下 1234 simpletest("自由12345飛翔", "\\d{,7}"); //執行結果如下 報錯 Exception in thread "main" java.util.regex.PatternSyntaxException: Illegal repetition near index 1 ``` 從上面案例中我們已經看出，`量詞只形容最近字元的數量`，大括號中可以指定具體字元的具體數量或者範圍。 #### 預定義量詞 預定義量詞是正則中用`?`,`+`,`*` 三個符號表示特定意思的量詞 - `?`：一次或者零次 - `+`：一次或者多次 - `*`：零次或者零次以上 **案例1** ``` simpletest("自由12345飛翔", "\\d?"); //執行結果如下 //空行 //空行 1 2 3 4 5 //空行 //空行 ``` 這裡要特別解釋一下兩個空行的產生，正則引擎去`自由12345飛翔`查詢`\\d?`時，逐個字元從左到右查詢，由於`?`表示一個或者零個，所以第一個字元匹配成功得到0個數字，也就是一個空字元，所以打印出來，而後面匹配到1個數字“1”打印出來，在匹配到1個數字“2”打印出來、、 **案例2** ``` simpletest("自由12345飛翔", "\\d+"); //執行結果如下 12345 ``` 這裡匹配至少一個數字，直接匹配到5個數字“12345”輸出 **案例3** ``` simpletest("自由12345飛翔", "\\d*"); //執行結果如下 //空行 //空行 12345 //空行 //空行 ``` 這裡出現空行的原因和`案例1`中相同，因為\\d*代表0次或者0次以上 ## 邊界識別符號 如下為[JAVA API](http://tool.oschina.net/apidocs/apidoc?api=jdk-zh) 中Pattern類的邊界識別符號列表 `^` ：行的開頭 `$` ：行的結尾 `\b` ：單詞邊界 `\B` ：非單詞邊界 `\A` ：輸入的開頭 `\G` ：上一個匹配的結尾 `\Z` ：輸入的結尾，僅用於最後的結束符（如果有的話） `\z` ：輸入的結尾 目前並沒完全弄明白所有邊界識別符號的用法，抱歉，僅演示幾個。 **案例1** ``` simpletest("自由12345飛翔", "^\\d+"); simpletest("12345飛翔", "^\\d+"); //執行結果如下 12345 ``` `^\\d+`查詢行開頭緊跟1次或多次數字，顯然`自由12345飛翔`匹配失敗，因為`12345`並非行首，而`12345飛翔`匹配成功得到`12345` **案例2** ``` simpletest("自由12345飛翔", "^\\d+$"); simpletest("12345飛翔", "^\\d+$"); simpletest("自由12345", "^\\d+$"); simpletest("12345", "^\\d+$"); //執行結果如下 12345 ``` 當`\\d+`前面加上行首邊界，後面加上行尾邊界後，該正則只能匹配到一串純數字，且數量滿足`+`量詞 **案列3** ``` simpletest("自由12345飛翔", "\\b\\d+"); //執行結果如下 //啥也沒有 simpletest("自由 12345飛翔", "\\b\\d+"); //執行結果如下 12345 simpletest("自由12345 飛翔", "\\d+\\b"); //執行結果如下 12345 simpletest("12345", "\\d+\\b"); //執行結果如下 12345 simpletest("12345", "\\b\\d+"); //執行結果如下 12345 ``` 從案例3中我們可以看出所謂的`\b`單詞邊界就是指空格或者行首行位（或許還有其他，反正匹配到一個連續的詞的結束或者開始位置） **案例4** ``` simpletest("自由12345飛翔", "\\B\\d+"); //執行結果如下 12345 simpletest("自由 12345飛翔", "\\B\\d+"); //執行結果如下 2345 ``` `\B`為非單詞邊界，和\b恰好相反，但`案例4`中效果卻和`案例3`中不是相反，不能匹配到`12345`，因為前面有空格，但`2345`前面是`1`，是非單詞邊界，所以匹配成功 ## 正則組 至此前面，基本上把正則表示式簡單運用講完，現在我們來引入一個詞`正則組`，正則組是用`()`把一組字元當做一個整體，可以通過方法將這個組匹配到的字元單獨取出，同樣可以通過下標引用之前匹配到的該組的字元 #### 簡單應用 **案例** ``` @Test public void grouptest( ){ String regex="\\d(\\d+)(\\D+)"; String target="520LiLing"; Pattern p = Pattern.compile(regex); Matcher matcher = p.matcher(target); while (matcher.find()) { System.out.println(matcher.group(0)); System.out.println(matcher.group(1)); System.out.println(matcher.group(2)); System.out.println(matcher.group(3)); } } //執行結果如下 520LiLing 20 LiLing Exception in thread "main" java.lang.IndexOutOfBoundsException: No group 3 ``` 從簡單案例中可以看出`()`中匹配到的數字可以用matcher.group(1)方法取出，1代表第一組，案例中第一組為(\\d+)，第二組為(\\D+)，第三組沒找到，報錯。而matcher.group(1)代表整個正則表示式匹配到的內容。 #### 複雜組序 [JAVA API](http://tool.oschina.net/apidocs/apidoc?api=jdk-zh) 中Pattern類中有關於正則組順序的介紹，當遇到複雜的正則組時，怎麼來確定組的序號。 `((A)(B(C)))`表示一個正則表示式,A,B,C分別代表隨意一個表示式 - group(1)：`((A)(B(C)))` - group(2)：`(A)` - group(3)：`(B(C))` - group(4)：`(C)` 從上面的列表說明不難總結出一個規律，將正則表示式從左到右讀過來，依次遇到`()`中的左括號`(`依次編號，先遇到哪一組的左括號先編號 **案例** ``` @Test public void grouptest( ){ String regex="((\\d)(\\d+(\\D+)))"; String target="520LiLing"; Pattern p = Pattern.compile(regex); Matcher matcher = p.matcher(target); while (matcher.find()) { System.out.println(matcher.group(1)); System.out.println(matcher.group(2)); System.out.println(matcher.group(3)); System.out.println(matcher.group(4)); } } //執行結果如下 520LiLing 5 20LiLing LiLing ``` 案例和上文說明完全一致，1組為`((\\d)(\\d+(\\D+)))`，2組為`(\\d)`，3組為`(\\d+(\\D+))`，4組為`(\\D+)` #### 捕獲組 前面已經講過關於正則組的編號，以及引用，但這樣的作用似乎還不夠強大。捕獲組，就是將之前的正則組通過`\組序號`捕獲，如`\1`(任然需要轉義`\\1`)，再次利用。（解釋起來太費勁，看案例吧) ``` @Test public void grouptest( ){ String regex="(\\d+).+\\1"; String target="520Li320Ling"; Pattern p = Pattern.compile(regex); Matcher matcher = p.matcher(target); while (matcher.find()) { System.out.println(matcher.group(0)); System.out.println(matcher.group(1)); } } //執行結果如下 20Li320 20 ``` 上面案例中，正則表示式`(\\d+).+\\1` 的意思就是先查詢到數字標記為`組1`，然後跟著任意字元，跟著`\\1`表示捕獲和`組1`一模一樣的