正则表达式-RegExp

分类于
字数统计: 1,574

RegEXp

正则表达式的流派

正则的两个标准： Perl 和 POSIX 标准

  1. Perl标准(PCRE)： 标准概述： perlre - perldoc.perl.org，只关注[The Basics] 和[Metacharacters] （元字符）这两节即可.
    • 正则表达式在线检测： Debuggex
  2. Posix标准，包括两个流派：BRE（基本型正则表达式）和ERE（扩展型正则表达式）
    • BRE： grep，sed，vi
    • ERE： egrep，awk，grep -E，

Perl正则

位置

^表示行首，例如 ^abc 表示abc号开头的行; 或者不匹配 [^abc] 任意不是abc的
$表示行尾，例如 333$ 表示已字符"333"结束的行;

次数

* 星号表示出现0次或N次，相当于{0,}，比如\$*b可以匹配"b"或者"$$$b";
? 表示出现0次~1次，相当于{0,1}
+ 表示出现大于等于1次，相当于{1,}
. 点号表示任何单个字符，换行符(\n)除外，点号可以与上面的次数符号组合，比如.*表示任何字符或没有字符

.* 与 .*?区别： 前者是贪婪匹配（greedy），后者是非贪婪匹配（lazy）

字符簇

例如 [AaEeIiOoUu] 表示一个表示所有元音字符的字符簇
[a-z] // 匹配所有的小写字母
[a-zA-Z] // 匹配所有的字母
[0-9\.\-] // 匹配所有的数字，句号和减号
注意： 前面曾经提到^表示字符串的开头，但它在字符簇里使用时，它表示"非"或"排除"的意思，[^0-9]指非数字

分组和其他

小括号()表示分组， 例如 gr(a|e)y 匹配 "gray" 和 "grey"， (A\d){2} 匹配 "A数字A数字"；
中括号[]表示匹配其中一个字符，例如 [Aa]匹配A或a，[3A-Z]匹配3或A~Z; [1-3a-f] 匹配1~3或a~f任意一个字符，[^0-9]表示非数字.
大括号{m}表示出现m次，例如a{3}表示aaa，{n,m} 表示最少n次，最多m次；
A|B 表示可能匹配A表达式或B表达式

字符类型 & 特殊转义字符

\w表示一个字母或数字，相当于[a-zA-Z|0-9]
\W表示非一个字符或数字
\b表示一个单词，位于\w和\W之间的东西
\d表示数字，相当于[0-9]
\D表示非数字，相当于[^0-9]
\s表示空格
\S表示非空格
\l表示小写字符，\u表示大写字符
\L表示非小写字符，\U表示非大写字符
\n 换行符
\t 制表符

POSIX正则

Posix正则标准分为BRE和ERE，vi/grep/sed属于前者，awk属于后者，BRE与Perlb正则标准(PCRE)相差的更多一点，ERE与Perl标准相差比较小.
这里只记住几个例子就可以：

vi/grep/sed中的正则：

[0-9]\{1,3\}   表示数字0-9出现1-3次，注意 表示次数的大括号要转义，这点与Perl标准不同
^[0-9]\+       表示数字至少出现一次，注意 这里的+号要加转义符 (星号，问号这些表示数量的符号，在POSIX也要转义)
^[0-9].*[a-z]$ 表示数字开头并且小写字母结尾
\<ngx          表示ngx开头的单词，注意 perl里没有\<的语法
arg\>          表示arg结尾的单词，注意 perl里没有\>的语法
\(int\|char\)  表示匹配"int"或"char"字符串，等效于perl标准的(int|char)，posix标准里的左右括号和|都要加转义

注： 上面用 []中括号括起来的叫字符簇，参考 [[#字符簇]]

从上面的几个例子可以看出，posix标准比perl标准的语法更繁琐，posix正则标准里的()|{}这些符号前要加转义符(吐槽下，这也是为什么POSIX正则不如Perl流行的原因吧)，

例如： 在vim里想用^[0-9]+搜索数字开头是搜不出来的，因为+号前面要加转义.

Java中的正则表达式

Java的正则语法与Perl标准基本一致，参考Pattern (Java Platform SE 7 )

转义符

  1. 常见的有\n，\t，\"，\\，这些转义字符占1Char;
  2. “ab\n”.length()返回3;
  3. java字面表达式的写法和”编译器看到的”不一样，a\\b 在Java编译器看来是”a\b”;

用Java字符串来写正则表达式，需要注意的转义符的使用：

  1. 如果要匹配点，中小括号，星号等等，正则要加双转义符， \\.匹配点 \\[匹配左中括号
  2. 如果要匹配斜杠，要写成四个转义符\\\\
String s1 = "a\\b"; // 实际字符串是'a\b',
s1.replaceAll("\\\\"，""); // 要用正则匹配斜杠，正则表达式是双斜杠'\\' ，但如果写双斜杠，会被编译器认为是单斜杠，正则编译器并不认识单斜杠

@ref 理解 Java 正则表达式怪异的 \ 和 \\，让您见怪不怪

Pattern & Matcher

Pattern p=Pattern.compile("\\d+");
Matcher m=p.matcher("ICQ：456456 Tel：6710 Mail：aaa123@aaa.com");
while(m.find()) {
     System.out.println(m.group());
}
/* 输出结果
456456
6710
123
*/
public static String maskEmoji(String str) {
        Pattern pattern = Pattern
                .compile("[^(\u2E80-\u9FFF\\w\\s`~!@#\\$%\\^&\\*\\(\\)_+-？（）——=\\[\\]{}\\|;。，、《》”：；“！……’：‘\"<,>\\.?/\\\\*')]");
        Matcher matcher = pattern.matcher(str);
        StringBuffer sb = new StringBuffer();
        while (matcher.find()) {
            matcher.appendReplacement(sb，"[emoji：" + getUnicode(matcher.group(0)) + "]");
        }
        matcher.appendTail(sb);
        return sb.toString();
    }

Pattern捕获组

Pattern用小括号包含的部分叫一个捕获组：

String source = "http：//a.changyan.com/api/2/config/get/cy7hcbyIb?callback=383768658";
String regex = "(http：//)(.*)/(config/get)/(\\w+\\?)(.*)"; // 5个捕获组

Pattern pattern = Pattern.compile(regex);
Matcher matcher = pattern.matcher(source);
System.out.println("groupCount()=" + matcher.groupCount());
if(matcher.find() && matcher.groupCount()>0) {
    for(int i =0; i <= matcher.groupCount(); i++) {
        System.out.printf("gounp[%d] = %s\n"，i，matcher.group(i));
    }
}

/* 输出结果：
groupCount()=5
group[0] = http：//a.changyan.com/api/2/config/get/cy7hcbyIb?callback=383768658
group[1] = http：//
group[2] = a.changyan.com/api/2
group[3] = config/get
group[4] = cy7hcbyIb?
group[5] = callback=383768658
*/

捕获组可以递归的使用，比如：

String reg = "((A)(B(C)))";  // 包括4个捕获组，
Pattern p = Pattern.compile(reg);
Matcher matcher = pattern.matcher(string);
// 如果匹配，那么：
matcher.group(1) = ((A)(B(C)))
matcher.group(2) = (A)
matcher.group(3) = (B(C))
matcher.group(4) = (C)

appendReplacement

  • matcher.find();
  • matcher.appendReplacement(stringBuff，”xxx”); // 把当前匹配替换为param2，并append到param1字符串后面.

常用正则

测试地址 Debuggex： Online visual regex tester. JavaScript，Python，and PCRE.

数字：    ^\d*$
N位数字： ^\d{N}$
IP地址： \d+\.\d+\.\d+\.\d+
匹配/attachments目录下所有"php"结尾的行： /attachments/.*\.(php|php5)$
邮箱，邮箱名可以出现.-符号： ^\w+([-_.]\w+)*@\w+([-.]\w+)*\.\w+([-.]\w+)*$
帐号是否合法(字母开头，允许5-16字节，允许字母数字下划线)： ^[a-zA-Z]\w{4,15}$