简单的正则表达式入门

#编程技术 2020-11-26 16:50:00 | 全文 4733 字，阅读约需 10 分钟 | 加载中... 次浏览

👋 相关阅读

什么是正则表达式

正则表达式，又称规则表达式。（英语：Regular Expression，在代码中常简写为 regex、regexp 或 RE），计算机科学的一个概念。正则表达式通常被用来检索、替换那些符合某个模式(规则)的文本。

图片alt

初窥门径

先来看看正则表达式的精确匹配。一个普通的字符串，比如 abc，它如果用来做正则表达式匹配的话，只能匹配自己。也就是说它只能匹配字符串 abc，不能匹配 ab，Abc 等其他任何字符串。

System.out.println("abc".matches("abc")); // 输出为 true
System.out.println("ab".matches("abc")); // 输出为 false
System.out.println("Abc".matches("abc")); // 输出为 false

不过这好像没什么用，需要精确匹配的话，我们可以用 String.equals() 函数，不需要用正则。

如果需要匹配的字符串含有特殊字符，那就需要用 \ 转义。比如 a&b，在用正则表达式匹配时，需要使用 a&b，又由于在 Java 字符串中，\ 也是特殊字符，它也需要转义，所以 a&b 对应的 Java 字符串是 a\&b，它是用来匹配 a&b 的。

System.out.println("a&b".matches("a\\&b")); // 输出为 true

再比如 \d 在正则表达式中表示匹配任意数字，d 是 digital 的简写。比如 00\d 就可以匹配 000， 007，008 等等。

那么，00\d 可以匹配 0066 吗？

答案是不能，\d 只能匹配单个数字。

那要怎么才能匹配多个数字呢？

你可以写多次，比如 \d\d 就能匹配两个数字，\d\d\d 能匹配三个数字，需要匹配几个数字就写几次就行了。

System.out.println("1".matches("\\d\\d")); // 输出为 false
System.out.println("11".matches("\\d\\d")); // 输出为 true
System.out.println("111".matches("\\d\\d")); // 输出为 false

但是如果要匹配 10000 个数字呢？总不能写一万次吧？

其实如果要匹配多个数字，只需要在 \d 后面打上花括号 {}，{n} 表示匹配 n 次。\d{10000} 就表示匹配 10000 个数字。

趁热打铁，如果要匹配 n ~ m 次，用 {n,m} 即可，如果要匹配至少 n 次，用 {n,} 即可。需要注意 , 后不能有空格。

System.out.println("1".matches("\\d{1,2}")); // 输出为 true
System.out.println("12".matches("\\d{1,2}")); // 输出为 true
System.out.println("123".matches("\\d{1,2}")); // 输出为 false

System.out.println("123".matches("\\d{2,}")); // 输出为 true

那么按照这个写法，如果要匹配最多 m 次，是不是用 {,m} ？

No，最多 m 次需要这么写吗？直接用 {0,m} 不就行了吗？只是因为正无穷不好表示我们才用的 {n,}，在正则里根本没有 {,m} 这样的写法。

小有所成

正则的基础规则中，除了 \d，还有 \w 和 \s，w 是 word 的简写，表示匹配一个常用字符，包括字母、数字、下划线。s 是 space 的简写，表示匹配一个空格，包括三种：

空格键打出来的空格
Tab 键打出来的空格
回车键打出来的空格

Tab 键打出来的空格和回车键打出来的空格是指 \t 和 \n

System.out.println("LeetCode_666".matches("\\w{12}")); // 输出为 true
System.out.println("\t \n".matches("\\s{3}")); // 输出为 true
System.out.println("Leet\tCode 666".matches("\\w{4}\\s\\w{4}\\s\\d{3}")); // 输出为 true

更进一步

记住上面三个规则之后，你还可以顺带获得几个新的规则。因为正则规定：将字母换成大写，就表示相反的意思。用 \d 你可以匹配一个数字，\D 则表示匹配一个非数字。

System.out.println("a".matches("\\d")); // 输出为 false
System.out.println("1".matches("\\d")); // 输出为 true

System.out.println("a".matches("\\D")); // 输出为 true
System.out.println("1".matches("\\D")); // 输出为 false

这非常好记。类似地，\W 可以匹配 \w 不能匹配的字符，\S 可以匹配 \s 不能匹配的字符。

渐入佳境

有时候，我们对某些位置的字符没有要求，仅需要占个位置即可。这时候我们就可以用 . 字符。

System.out.println("a0b".matches("a.b")); // 输出为 true
System.out.println("a_b".matches("a.b")); // 输出为 true
System.out.println("a b".matches("a.b")); // 输出为 true

也可以理解为：. 可以匹配任意字符。

还记得之前说的 {n} 表示匹配 n 次吗？有时候，我们对匹配的次数没有要求，匹配任意次均可，这时，我们就可以用 * 字符。

System.out.println("1".matches("\\d*")); // 输出为 true
System.out.println("123".matches("\\d*")); // 输出为 true
System.out.println("".matches("\\d*")); // 输出为 true

为什么第三个表达式也会输出 true 呢？明明没有出现数字啊？

那意味着出现了 0 次，* 是指可以匹配任意次，包括 0 次。也就是说，* 等价于 {0,}

实际比较常见的需求应该是某个字符至少出现一次，那就可以用 + 匹配，+ 表示至少匹配一次。它等价于 {1,}

System.out.println("1".matches("\\d+")); // 输出为 true
System.out.println("123".matches("\\d+")); // 输出为 true
System.out.println("".matches("\\d+")); // 输出为 false

还有一种场景，如果某个字符要么匹配 0 次，要么匹配 1 次，我们就可以用 ? 匹配。它等价于 {0,1}

System.out.println("".matches("\\d?")); // 输出为 true
System.out.println("1".matches("\\d?")); // 输出为 true
System.out.println("123".matches("\\d?")); // 输出为 false

总结：

. 匹配任意字符；
* 匹配任意次，包括 0 次；
+ 号匹配至少 1 次；
? 匹配 0 次或 1 次；

心浮气躁

是不是感觉自己已经掌握了够多的匹配规则，足以应付所有的字符串匹配场景了？

可先别得意得太早，我再考考你吧。看看匹配电话号码的程序，如果我们规定电话号码不能以 0 开头，应该怎么写正则表达式呢？

这样的场景需要用 [] 来匹配，[] 用于匹配指定范围内的字符，比如[123456789] 可以匹配 1~9

那么上边问题的正则匹配规则是 [123456789]\d{10}

但是，这里还有一个语法糖，[123456789] 写起来太麻烦，可以写作 [1-9]

当然这个语法也可以用于字母，比如 [a-g] 表示 [abcdefg]，[U-Z] 表示 [UVWXYZ]

如果既可以是数字 1~9，又可以是字母 a~g，还可以是字母 U~Z，你还可以这么写：[1-9a-gU-Z]

System.out.println("1".matches("[1-9a-gU-Z]")); // 输出为 true
System.out.println("b".matches("[1-9a-gU-Z]")); // 输出为 true
System.out.println("X".matches("[1-9a-gU-Z]")); // 输出为 true
System.out.println("A".matches("[1-9a-gU-Z]")); // 输出为 false

如果是 0~1，8~9 可以这样组合吗？

那当然也是可以的，[0-18-9] 正是你想要的。由于正则一次只匹配一个字符，所以这样写并不会有歧义，也就是说计算机不会把这种写法误解成要匹配 0~18 之类的。

System.out.println("1".matches("[0-18-9]")); // 输出为 true
System.out.println("5".matches("[0-18-9]")); // 输出为 false

但是，这种需求，你写 [0189] 不是更简洁吗？

还有一种写法可以实现这一点，那就是用或运算符，正则的或运算符是 |，[0189] 也可以写作 0|1|8|9。

System.out.println("1".matches("0|1|8|9")); // 输出为 true
System.out.println("5".matches("0|1|8|9")); // 输出为 false

或可以实现更多的功能，它并不局限于单个字符，比如：

System.out.println("abc".matches("abc|ABC")); // 输出为 true
System.out.println("ABC".matches("abc|ABC")); // 输出为 true
System.out.println("123".matches("abc|ABC")); // 输出为 false

如果我想排除某些字符呢？比如这个位置不能是 [123]。我记得你之前说正则以大写表示取反，[] 要怎么大写呢？

[] 可没有大写之说，[] 取反的方式是：[^]，比如不能是 [123] 的表示方法为 [^123] 或者 [^1-3]

新手教程到这里就结束了，这已经足够你应付许多应用场景了。

探囊取物

下面就是进阶教程拉，考虑一个实际需求，有许许多多以下格式的字符串，你需要用正则表达式匹配出其姓名和年龄。

Name：Aurora Age：18
其中还夹杂着一些无关紧要的数据
Name：Bob Age：20
错误的数据有着各种各样错误的格式
Name：Cassin Age：22
…

这应该已经难不倒你了。观察字符串的规则，只需要用 Name:\w+\s*Age:\d{1,3} 就能匹配了。

System.out.println("Name:Aurora   Age:18".matches("Name:\\w+\\s*Age:\\d{1,3}")); // 输出为 true
System.out.println("其中还夹杂着一些无关紧要的数据".matches("Name:\\w+\\s*Age:\\d{1,3}")); // 输出为 false
System.out.println("Name:Bob      Age:20".matches("Name:\\w+\\s*Age:\\d{1,3}")); // 输出为 true
System.out.println("错误的数据有着各种各样错误的格式".matches("Name:\\w+\\s*Age:\\d{1,3}")); // 输出为 false
System.out.println("Name:Cassin   Age:22".matches("Name:\\w+\\s*Age:\\d{1,3}")); // 输出为 true

一般来说，下一步你要做的就是取出这些表达式中的姓名和年龄，以便把它们存到数据库中。

你可以用 indexOf 和 subString 函数来取这些值。

但你已经掌握了正则的力量，正则里有更简洁的取值方式。

Pattern pattern = Pattern.compile("Name:(\\w+)\\s*Age:(\\d{1,3})");
Matcher matcher = pattern.matcher("Name:Aurora   Age:18");
if(matcher.matches()) {
    String group1 = matcher.group(1);
    String group2 = matcher.group(2);
    System.out.println(group1);   // 输出为 Aurora
    System.out.println(group2);   // 输出为 18
}

只要用 () 将需要取值的地方括起来，传给 Pattern 对象，再用 Pattern 对象匹配后获得的 Matcher 对象来取值就行了。每个匹配的值将会按照顺序保存在 Matcher 对象的 group 中。

上边语句用 () 把 \w+ 和 \d{1,3} 分别括起来了，判断 Pattern 对象与字符串是否匹配的方法是 Matcher.matches()，如果匹配成功，这个函数将返回 true，如果匹配失败，则返回 false。

这里是不是写错了，为什么 group 是从下标 1 开始取值的，计算机不都从 0 开始数吗？

并没有写错，这是因为 group(0) 被用来保存整个匹配的字符串了。

System.out.println(matcher.group(0));   // 输出为 Name:Aurora   Age:18

每次调用 String.matches 函数，都会新建出一个 Pattern 对象。所以如果要用同一个正则表达式多次匹配字符串的话，最佳的做法不是直接调用 String.matches 方法，而应该先用正则表达式新建一个 Pattern 对象，然后反复使用，以提高程序运行效率。

// 错误的做法，每次都会新建一个 Pattern，效率低
boolean result1 = "Name:Aurora   Age:18".matches("Name:(\\w+)\\s*Age:
(\\d{1,3})"); 
boolean result2 = "Name:Bob      Age:20".matches("Name:(\\w+)\\s*Age:
(\\d{1,3})");
boolean result3 = "Name:Cassin   Age:22".matches("Name:(\\w+)\\s*Age:
(\\d{1,3})");
                                                 
// 正确的做法，复用同一个 Pattern，效率高
Pattern pattern = Pattern.compile("Name:(\\w+)\\s*Age:(\\d{1,3})");
boolean result4 = pattern.matcher("Name:Aurora    Age:18").matches();
boolean result5 = pattern.matcher("Name:Bob      Age:20").matches();
boolean result6 = pattern.matcher("Name:Cassin   Age:22").matches();

移花接木

接下来再考虑一个实际场景：你有一个让用户输入标签的输入框，用户可以输入多个标签。可是你并没有提示用户，标签之前用什么间隔符号隔开。

用户的输入五花八门，有用逗号的，有用分号的，有用空格的，还有用制表符的……

二分，回溯，递归，分治
搜索；查找；旋转；遍历
数论图论逻辑概率

我们可以用正则表达式模糊匹配，只要能匹配成功，就以其分割。

System.out.println(Arrays.toString("二分,回溯,递归,分治".split("[,;\\s]
+")));
System.out.println(Arrays.toString("搜索;查找;旋转;遍历".split("[,;\\s]
+")));
System.out.println(Arrays.toString("数论 图论 逻辑 概率".split("[,;\\s]
+")));

输出为：

[二分, 回溯, 递归, 分治]
[搜索, 查找, 旋转, 遍历]
[数论, 图论, 逻辑, 概率]

我们还可以用正则表达式模糊匹配，将符合规则的字符串全部替换掉。比如就现在这个例子，我们可以把用户输入的所有数据统一规范为使用 ; 分隔，那我们就可以这样写。

System.out.println("二分,回溯,递归,分治".replaceAll("[,;\\s]+", ";"));
System.out.println("搜索;查找;旋转;遍历".replaceAll("[,;\\s]+", ";"));
System.out.println("数论 图论 逻辑 概率".replaceAll("[,;\\s]+", ";"));

输出为：

二分;回溯;递归;分治
搜索;查找;旋转;遍历
数论;图论;逻辑;概率

还不止这一点，在 replaceAll 的第二个参数中，我们可以通过 $1，$2，…来反向引用匹配到的子串。只要将需要引用的部分用 () 括起来就可以了。

System.out.println("二分,回溯,递归,分治".replaceAll("([,;\\s]+)", "---$1---"));
System.out.println("搜索;查找;旋转;遍历".replaceAll("([,;\\s]+)", "---$1---"));
System.out.println("数论 图论 逻辑 概率".replaceAll("([,;\\s]+)", "---$1---"));

输出为：

二分---,---回溯---,---递归---,---分治
搜索---;---查找---;---旋转---;---遍历
数论--- ---图论--- ---逻辑--- ---概率

有时候我们不需要替换，只需要将正则匹配出来的部分添加一些前缀或后缀，就可以用这种方式！

蓦然回首

看这样一道题：给你一些字符串，统计其末尾 e 的个数

LeetCode
LeetCodeeee
LeetCodeee

看起来并不难，用 (\w+)(e*) 匹配，再取 group(2) 判断即可。

Pattern pattern = Pattern.compile("(\\w+)(e*)");
Matcher matcher = pattern.matcher("LeetCode");
if (matcher.matches()) {
    String group1 = matcher.group(1);
    String group2 = matcher.group(2);
    System.out.println("group1 = " + group1 + ", length = " + group1.length());
    System.out.println("group2 = " + group2 + ", length = " + group2.length());
}

输出为：

group1 = LeetCode, length = 8
group2 = , length = 0

这是因为 e 仍然属于 \w 能匹配的范畴，正则表达式默认会尽可能多地向后匹配，我们将其称之为贪婪匹配。

贪婪匹配和贪心算法原理是一致的。与之对应的匹配方式叫做非贪婪匹配，非贪婪匹配会在能匹配目标字符串的前提下，尽可能少的向后匹配。

那么，要怎样指定匹配方式为非贪婪匹配呢？

也很简单，在需要非贪婪匹配的正则表达式后面加个 ? 即可表示非贪婪匹配。

Pattern pattern = Pattern.compile("(\\w+?)(e*)");
Matcher matcher = pattern.matcher("LeetCode");
if (matcher.matches()) {
    String group1 = matcher.group(1);
    String group2 = matcher.group(2);
    System.out.println("group1 = " + group1 + ", length = " + group1.length());
    System.out.println("group2 = " + group2 + ", length = " + group2.length());
}

运行程序，输出如下：

group1 = LeetCod, length = 7
group2 = e, length = 1

这里也用的是 ?，我记得之前 ? 表示的是匹配 0 次或者 1 次，两个符号不会混淆吗？

不会混淆的，你仔细想一想就能明白了，如果只有一个字符，那就不存在贪婪不贪婪的问题，如果匹配多次，那么表示非贪婪匹配的 ? 前面必有一个标志匹配次数的符号。所以不会出现混淆。

为什么这里没有匹配成 group1 等于 L，group2 等于 ee?

如果这样匹配的话，字符串 LeetCode 就无法和正则表达式匹配起来。怪不得非贪婪匹配的定义是在能匹配目标字符串的前提下，尽可能少的向后匹配。

via: https://mp.weixin.qq.com/s/zxQ-itkICaZlhevvwuBGsw

此内容由惯性聚合(RSS阅读器)自动聚合整理，仅供阅读参考。原文来自 — 版权归原作者所有。

推荐订阅源

膨胀自留地