Java 正则表达式

正则表达式是形成搜索模式的一系列字符。正则表达式可用于检查字符串是否包含指定的搜索模式。也可以进行字符串的替换和提取。本文主要介绍Java 正则表达式。

1、Java 正则表达式

正则表达式是由普通字符(如英文字母)以及特殊字符(也称为元字符)组成的文字模式。该模式对文本查找时需要匹配的一个或多个字符串描述,给出一个匹配模板。它专门用于操作字符串,可以简化对字符串的复杂操作。正则表达式可以是单个字符,也可以是更复杂的模式。

Java没有内置的正则表达式类,但是我们可以导入java.util.regex包以使用正则表达式。该软件包包括以下类:

1)Pattern 类

pattern 对象是一个正则表达式的编译表示。Pattern 类没有公共构造方法。要创建一个 Pattern 对象,你必须首先调用其公共静态编译方法,它返回一个 Pattern 对象。该方法接受一个正则表达式作为它的第一个参数。

2)Matcher 类

Matcher 对象是对输入字符串进行解释和匹配操作的引擎。与Pattern 类一样,Matcher 也没有公共构造方法。你需要调用 Pattern 对象的 matcher 方法来获得一个 Matcher 对象。

3)PatternSyntaxException

PatternSyntaxException 是一个非强制异常类,它表示一个正则表达式模式中的语法错误。

例如:

找出字符串中是否存在 “cjavapy”:

import java.util.regex.Matcher;
import java.util.regex.Pattern;

public class Main {
  public static void main(String[] args) {
    //第一个参数指示要搜索的模式,第二个参数是搜索应不区分大小写。第二个参数是可选的。
    Pattern pattern = Pattern.compile("cjavapy", Pattern.CASE_INSENSITIVE);
    //方法用于搜索字符串中的模式。它返回一个Matcherobject
    Matcher matcher = pattern.matcher("url is www.cjavapy.com");
    //如果在字符串中找到了模式,则find()方法返回true,如果找不到该模式,则返回false。
    boolean matchFound = matcher.find();
    if(matchFound) {
      System.out.println("匹配到结果");
    } else {
      System.out.println("没有匹配到");
    }
  }
}

2、匹配标志(flag)

compile()方法中的flag更改了执行搜索的方式。 比较常用的如下:

Pattern.CASE_INSENSITIVE:在执行搜索时,字母的大小写将被忽略。

Pattern.LITERAL:模式中的特殊字符没有任何特殊含义,在执行搜索时将被视为普通字符。

Pattern.UNICODE_CASE:将它与CASE_INSENSITIVE标志一起使用,那么它会对Unicode字符进行大小写不敏感的匹配。默认情况下,大小写不明感的匹配只适用于US-ASCII字符集。

详细介绍如下表:

标志

描述

Pattern.CANON_EQ

当且仅当两个字符的"正规分解(canonical decomposition)"

都完全相同的情况下,才认定匹配。比如用了这个标志之后,

表达式"a\u030A"会匹配"?"。默认情况下,

不考虑"规范相等性(canonical equivalence)"。

Pattern.CASE_INSENSITIVE

(?i)

默认情况下,大小写不明感的匹配只适用于US-ASCII字符集。

这个标志能让表达式忽略大小写进行匹配。

要想对Unicode字符进行大小不明感的匹配,
只要将UNICODE_CASE与这个标志合起来就行了。

Pattern.COMMENTS

(?x)

在这种模式下,匹配时会忽略(正则表达式里的)

空格字符(注:不是指表达式里的"\\s",

而是指表达式里的空格、tab、回车之类)。

注释从#开始,一直到这行结束。

可以通过嵌入式的标志来启用Unix行模式。

Pattern.DOTALL

(?s)

在这种模式下,表达式'.'可以匹配任意字符,

包括表示一行的结束符。

默认情况下,表达式'.'不匹配行的结束符。

(行结束符:Windows下\r\n

,Linux下\n,Mac下\r

Pattern.MULTILINE

(?m)

在这种模式下,'^'和'$'分别

一行一行地

匹配一行的开始和结束。此外,'^'仍然匹配一行字符串的开始,

'$'也匹配一行字符串的结束。默认情况下,

这两个表达式仅仅匹配字符串的开始和结束。

Pattern.UNICODE_CASE

(?u)

在这个模式下,如果你还启用了CASE_INSENSITIVE标志,

那么它会对Unicode字符进行大小写不明感的匹配。

默认情况下,大小写不明感的匹配只适用于US-ASCII字符集。

Pattern.UNIX_LINES

(?d)

在这个模式下,只有'\n'才被认作一行的中止,

并且与'.','^',以及'$'进行匹配。

3、正则表达式pattern

Pattern.compile()方法的第一个参数是pattern。它描述了要搜索的内容。

方括号用于查找字符范围:

表达式

描述

[abc]

从方括号之间的选项中找到一个字符

[^abc]

在括号之间找不到一个字符

[0-9]

在0到9的范围内找到一个字符

4、元字符

元字符是具有特殊含义的字符:

字符

描述

\

将下一个字符标记为一个特殊字符、或一个原义字符、或一个 向后引用、或一个八进制转义符。

例如,'n' 匹配字符 "n"。'\n' 匹配一个换行符。序列 '\\' 匹配 "\" 而 "\(" 则匹配 "("。

^

匹配输入字符串的开始位置。

如果设置了 RegExp 对象的 Multiline 属性,^ 也匹配 '\n' 或 '\r' 之后的位置。

$

匹配输入字符串的结束位置。

如果设置了RegExp 对象的 Multiline 属性,$ 也匹配 '\n' 或 '\r' 之前的位置。

*

匹配前面的子表达式零次或多次。

例如,zo* 能匹配 "z" 以及 "zoo"。* 等价于{0,}。

+

匹配前面的子表达式一次或多次。

例如,'zo+' 能匹配 "zo" 以及 "zoo",但不能匹配 "z"。+ 等价于 {1,}。

?

匹配前面的子表达式零次或一次。

例如,"do(es)?" 可以匹配 "do" 或 "does" 。? 等价于 {0,1}。

{n}

n 是一个非负整数。匹配确定的 n 次。

例如,'o{2}' 不能匹配 "Bob" 中的 'o',但是能匹配 "food" 中的两个 o。

{n,}

n 是一个非负整数。至少匹配n 次。

例如,'o{2,}' 不能匹配 "Bob" 中的 'o',

但能匹配 "foooood" 中的所有 o。'o{1,}' 

等价于 'o+'。'o{0,}' 则等价于 'o*'。

{n,m}

m 和 n 均为非负整数,其中n <= m。最少匹配 n 次且最多匹配 m 次。

例如,"o{1,3}" 将匹配 "fooooood" 中的前三个 o。'o{0,1}' 等价于 'o?'。

请注意在逗号和两个数之间不能有空格。

?

当该字符紧跟在任何一个其他限制符 (*, +, ?, {n}, {n,}, {n,m}) 后面时,

匹配模式是非贪婪的。非贪婪模式尽可能少的匹配所搜索的字符串,

而默认的贪婪模式则尽可能多的匹配所搜索的字符串。

例如,对于字符串 "oooo",'o+?' 将匹配单个 "o",而 'o+' 将匹配所有 'o'。

.

匹配除换行符(\n、\r)之外的任何单个字符。

要匹配包括 '\n' 在内的任何字符,请使用像"(.|\n)"的模式。

(pattern)

匹配 pattern 并获取这一匹配。

所获取的匹配可以从产生的 Matches 集合得到,

在VBScript 中使用 SubMatches 集合,在JScript 中则使用 $0…$9 属性。

要匹配圆括号字符,请使用 '\(' 或 '\)'。

(?:pattern)

匹配 pattern 但不获取匹配结果,也就是说这是一个非获取匹配,

不进行存储供以后使用。

这在使用 "或" 字符 (|) 来组合一个模式的各个部分是很有用。

例如, 'industr(?:y|ies) 就是一个比 'industry|industries' 更简略的表达式。

(?=pattern)

正向肯定预查(look ahead positive assert),

在任何匹配pattern的字符串开始处匹配查找字符串。

这是一个非获取匹配,也就是说,该匹配不需要获取供以后使用。

例如,"Windows(?=95|98|NT|2000)"能匹配"Windows2000"中的"Windows",

但不能匹配"Windows3.1"中的"Windows"。

预查不消耗字符,也就是说,在一个匹配发生后,

在最后一次匹配之后立即开始下一次匹配的搜索,

而不是从包含预查的字符之后开始。

(?!pattern)

正向否定预查(negative assert),

在任何不匹配pattern的字符串开始处匹配查找字符串。

这是一个非获取匹配,也就是说,该匹配不需要获取供以后使用。

例如"Windows(?!95|98|NT|2000)"能匹配"Windows3.1"中的"Windows",

但不能匹配"Windows2000"中的"Windows"。

预查不消耗字符,也就是说,在一个匹配发生后,

在最后一次匹配之后立即开始下一次匹配的搜索,

而不是从包含预查的字符之后开始。

(?<=pattern)

反向(look behind)肯定预查,与正向肯定预查类似,

只是方向相反。例如,"

(?<=95|98|NT|2000)Windows

"能匹配"

2000Windows

"中的"

Windows

",但不能匹配"

3.1Windows

"中的"

Windows

"。

(?<!pattern)

反向否定预查,与正向否定预查类似,只是方向相反。例如"

(?<!95|98|NT|2000)Windows

"能匹配"

3.1Windows

"中的"

Windows

",但不能匹配"

2000Windows

"中的"

Windows

"。

x|y

匹配 x 或 y。例如,'z|food' 能匹配 "z" 或 "food"。

'(z|f)ood' 则匹配 "zood" 或 "food"。

[xyz]

字符集合。匹配所包含的任意一个字符。

例如, '[abc]' 可以匹配 "plain" 中的 'a'。

[^xyz]

负值字符集合。匹配未包含的任意字符。

例如, '[^abc]' 可以匹配 "plain" 中的'p'、'l'、'i'、'n'。

[a-z]

字符范围。匹配指定范围内的任意字符。

例如,'[a-z]' 可以匹配 'a' 到 'z' 范围内的任意小写字母字符。

[^a-z]

负值字符范围。匹配任何不在指定范围内的任意字符。

例如,'[^a-z]' 可以匹配任何不在 'a' 到 'z' 范围内的任意字符。

\b

匹配一个单词边界,也就是指单词和空格间的位置。

例如, 'er\b' 可以匹配"never" 中的 'er',

但不能匹配 "verb" 中的 'er'。

\B

匹配非单词边界。'er\B' 能匹配 "verb" 中的 'er',

但不能匹配 "never" 中的 'er'。

\cx

匹配由 x 指明的控制字符。

例如, \cM 匹配一个 Control-M 或回车符。

x 的值必须为 A-Z 或 a-z 之一。

否则,将 c 视为一个原义的 'c' 字符。

\d

匹配一个数字字符。等价于 [0-9]。

\D

匹配一个非数字字符。等价于 [^0-9]。

\f

匹配一个换页符。等价于 \x0c 和 \cL。

\n

匹配一个换行符。等价于 \x0a 和 \cJ。

\r

匹配一个回车符。等价于 \x0d 和 \cM。

\s

匹配任何空白字符,包括空格、制表符、换页符等等。等价于 [ \f\n\r\t\v]。

\S

匹配任何非空白字符。等价于 [^ \f\n\r\t\v]。

\t

匹配一个制表符。等价于 \x09 和 \cI。

\v

匹配一个垂直制表符。等价于 \x0b 和 \cK。

\w

匹配字母、数字、下划线。等价于'[A-Za-z0-9_]'。

\W

匹配非字母、数字、下划线。等价于 '[^A-Za-z0-9_]'。

\xn

匹配 n,其中 n 为十六进制转义值。

十六进制转义值必须为确定的两个数字长。

例如,'\x41' 匹配 "A"。'\x041' 则等价于 '\x04' & "1"。

正则表达式中可以使用 ASCII 编码。

\num

匹配 num,其中 num 是一个正整数。对所获取的匹配的引用。

例如,'(.)\1' 匹配两个连续的相同字符。

\n

标识一个八进制转义值或一个向后引用。如果 \n 之前至少 n 个获取的子表达式,

则 n 为向后引用。否则,如果 n 为八进制数字 (0-7),则 n 为一个八进制转义值。

\nm

标识一个八进制转义值或一个向后引用。

如果 \nm 之前至少有 nm 个获得子表达式,则 nm 为向后引用。

如果 \nm 之前至少有 n 个获取,则 n 为一个后跟文字 m 的向后引用。

如果前面的条件都不满足,若 n 和 m 均为八进制数字 (0-7),则 \nm 将匹配八进制转义值 nm。

\nml

如果 n 为八进制数字 (0-3),

且 m 和 l 均为八进制数字 (0-7),则匹配八进制转义值 nml。

\un

匹配 n,其中 n 是一个用四个十六进制数字表示的 Unicode 字符。

例如, \u00A9 匹配版权符号 (?)。

5、量词

{m,n}是通用形式的量词,正则表达式还有三个常用量词,分别是+、?、*。它们的形态虽然不同于{m,n},功能却是相同的(也可以把它们理解为“量词简记法”):

常用量词

{m,n}等价形式

说明

*

{0,}

可能出现,也可能不出现,出现次数没有上限

+

{1,}

至少出现1次,出现次数没有上限

?

{0,1}

至多出现1次,也可能不出现

使用示例如下表:

量词

描述

n+

匹配任何包含至少一个n的字符串

n*

匹配包含零个或多个n的任何字符串

n?

匹配任何包含零或一个n的字符串

n{x}

匹配包含x个n的任何字符串

n{x,y}

匹配任何包含x到y个n的字符串

n{x,}

匹配任何包含至少x个n的字符串

注意:如果表达式需要搜索特殊字符之一,则可以使用反斜杠(\)进行转义。在Java中,字符串中的反斜杠需要自己转义,因此需要两个反斜杠转义特殊字符。例如,要搜索一个或多个问号,可以使用以下表达式:" \\? "。

6、Matcher 类的方法

1)索引方法

索引方法提供了有用的索引值,精确表明输入字符串中在哪能找到匹配:

序号

方法及说明

1

public int start()

返回以前匹配的初始索引。

2

public int start(int group)

 返回在以前的匹配操作期间,由给定组所捕获的子序列的初始索引

3

public int end()

返回最后匹配字符之后的偏移量。

4

public int end(int group)

返回在以前的匹配操作期间,由给定组所捕获子序列的最后字符之后的偏移量。

2)查找方法

查找方法用来检查输入字符串并返回一个布尔值,表示是否找到该模式:

序号

方法及说明

1

public boolean lookingAt()

 尝试将从区域开头开始的输入序列与该模式匹配。

2

public boolean find()

尝试查找与该模式匹配的输入序列的下一个子序列。

3

public boolean find(int start

重置此匹配器,然后尝试查找匹配该模式、从指定索引开始的输入序列的下一个子序列。

4

public boolean matches()

尝试将整个区域与模式匹配。

3)替换方法

替换方法是替换输入字符串里文本的方法:

序号

方法及说明

1

public Matcher appendReplacement(StringBuffer sb, String replacement)

实现非终端添加和替换步骤。

2

public StringBuffer appendTail(StringBuffer sb)

实现终端添加和替换步骤。

3

public String replaceAll(String replacement)

 替换模式与给定替换字符串相匹配的输入序列的每个子序列。

4

public String replaceFirst(String replacement)

 替换模式与给定替换字符串匹配的输入序列的第一个子序列。

5

public static String quoteReplacement(String s)

返回指定字符串的字面替换字符串。这个方法返回一个字符串,就像传递给Matcher类的appendReplacement 方法一个字面字符串一样工作。

7、匹配模式

1) Greediness(贪婪匹配)

x?x*x+x{n,} 是最大匹配。在 Greediness 的模式下,会尽量大范围的匹配,直到匹配了整个内容,这时发现匹配不能成功时,开始回退缩小匹配范围,直到匹配成功。

例如,

String test = "c<div>python</div>java";
String reg = "<.+>";
System.out.println(test.replaceAll(reg, "***"));

2) Reluctant(Laziness)(非贪婪匹配)

x??x*?x+?x{n,}? 是最小匹配,其实x{n,m}?x{n }?有些多余。在 Greediness 模式之后添加 ? 就是最小匹配。

在 Reluctant 的模式下,只要匹配成功,就不再继续尝试匹配更大范围的内容

例如,

String test = "c<div>python</div>java";
String reg = "<.+?>";
System.out.println(test.replaceAll(reg, "***"));

3)Possessive(占用匹配)

x?+x*+x++x{n,}+ 是完全匹配,在 Greediness 模式之后添加 + 就成完全匹配。

Possessive 模式与 Greediness 有一定的相似性,那就是都尽量匹配最大范围的内容,直到内容结束,但与 Greediness 不同的是,完全匹配不再回退尝试匹配更小的范围。

String test = "c<div>python</div>java";
String reg = "<.++>";
String reg1 =  "<.++";
String reg2 =  ".++>";

System.out.println(test.replaceAll(reg, "***"));
System.out.println(test.replaceAll(reg1, "***"));
System.out.println(test.replaceAll(reg2, "***"));

import java.util.regex.Matcher;
import java.util.regex.Pattern;

public class Demo {
   private static final String REGEX = "<.++";
   //private static final String REGEX = "<.++>";
   //private static final String REGEX = ".++>";
   private static final String INPUT = "c<div>python</div>java";

   public static void main(String[] args) {
      Pattern  pattern = Pattern.compile(REGEX);

      Matcher matcher = pattern.matcher(INPUT); 
      while(matcher.find()) {
         System.out.println("Match String start(): "+matcher.start());
      }
   }
}


推荐阅读
cjavapy编程之路首页