Java学习之正则表达式

介绍

正则表达式是对字符串操作的一种逻辑公式，就是用事先定义好的一些特定字符、及这些特定字符的组合，组成一个“规则字符串”，这个“规则字符串”用来表达对字符串的一种过滤逻辑。正则表达式通常缩写成“regex”。

Java中正则表达式的实现

在Java的类包中，关于正则表达式的类存放在Java.util.regex包下面：

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（compile()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。

上述类的使用举例：

Pattern p=Pattern.compile("a*b");
Matcher m=p.matcher("aaaab");
boolean b=m.matcher();

在仅使用一次正则表达式时，可以方便的通过此类定义matches方法。此方法编译表达式并在单个调用中将输入序列与其匹配。语句

boolean b=Pattern.matches("a*b","aaaab"); //该语句等效于上面三个语句

捕获组

捕获组就是把正则表达式中子表达式匹配的内容，保存到内存中以数字编号或显式命名的组里，方便后面引用。当然，这种引用既可以是在正则表达式内部，也可以是在正则表达式外部。一般一个小括号括起来就是一个捕获组。捕获组可以进行嵌套。以深度优先进行编号，在js中编号从1开始。

捕获组是通过从左至右计算其开括号来编号。例如在表达式 ((A)(B(C)))中，存在四个组：

1. ((A)(B(C)))
2. (A)
3. (B(C))
4. (C)

可以通过matcher对象的groupCount方法来查看表达式有多少个分组。

public class RegexZu {
    public static void main(String[] args) {
        //按指定模式在字符串查找
        String line="This order was placed for QT3000! OK?";
        String pattern="(\\D*)(\\d+)(.*)";
        //
        Pattern p=Pattern.compile(pattern);     //调用公用静态编译方法，返回一个Pattern对象，对p进行初始化
        Matcher m=p.matcher(line);      //对输入字符串进行匹配操作
        if(m.find()) {                  //尝试查找与该模式匹配的输入序列的下一个子序列
            System.out.println("Found value:"+m.group(0));      //group()返回在以前匹配操作期间由给定组捕获的输入子序列
            System.out.println("Found value:"+m.group(1));
            System.out.println("Found value:"+m.group(2));
            System.out.println("Found value:"+m.group(3));
        }else {
            System.out.println("NO MATCH");
        }
    }
}

正则表达式语法

Java中\的表示和其他语言不同
其他语言，\表示：我想要在正则表达式中插入一个普通的（字面上的）反斜杠，请不要给它任何特殊的意义。
Java中，\表示：我要插入一个正则表达式的反斜线，所以其后的字符具有特殊的意义。
上述这点的解释在Java API文档是这样说明的：

反斜线字符 (‘\’) 用于引用转义构造，同时还用于引用其他将被解释为非转义构造的字符。因此，表达式 \ 与单个反斜线匹配，而 { 与左括号匹配。

在不表示转义构造的任何字母字符前使用反斜线都是错误的；它们是为将来扩展正则表达式语言保留的。可以在非字母字符前使用反斜线，不管该字符是否非转义构造的一部分。

根据 Java Language Specification 的要求，Java 源代码的字符串中的反斜线被解释为 Unicode 转义或其他字符转义。因此必须在字符串字面值中使用两个反斜线，表示正则表达式受到保护，不被 Java 字节码编译器解释。例如，当解释为正则表达式时，字符串字面值 “\b” 与单个退格字符匹配，而 “\b” 与单词边界匹配。字符串字面值 “(hello)” 是非法的，将导致编译时错误；要与字符串 (hello) 匹配，必须使用字符串字面值 “\(hello\)”。

详细的关于正则表达式的如下（摘自Java API 文档）：
构造 匹配

字符
x 字符 x
\ 反斜线字符
\0n 带有八进制值 0 的字符 n (0 <= n <= 7)
\0nn 带有八进制值 0 的字符 nn (0 <= n <= 7)
\0mnn 带有八进制值 0 的字符 mnn（0 <= m <= 3、0 <= n <= 7）
\xhh 带有十六进制值 0x 的字符 hh
\uhhhh 带有十六进制值 0x 的字符 hhhh
\t 制表符 (‘\u0009’)
\n 新行（换行）符 (‘\u000A’)
\r 回车符 (‘\u000D’)
\f 换页符 (‘\u000C’)
\a 报警 (bell) 符 (‘\u0007’)
\e 转义符 (‘\u001B’)
\cx 对应于 x 的控制符

字符类
[abc] a、b 或 c（简单类）
[^abc] 任何字符，除了 a、b 或 c（否定）
[a-zA-Z] a 到 z 或 A 到 Z，两头的字母包括在内（范围）
[a-d[m-p]] a 到 d 或 m 到 p：[a-dm-p]（并集）
[a-z&&[def]] d、e 或 f（交集）
[a-z&&[^bc]] a 到 z，除了 b 和 c：[ad-z]（减去）
[a-z&&[^m-p]] a 到 z，而非 m 到 p：[a-lq-z]（减去）

预定义字符类
. 任何字符（与行结束符可能匹配也可能不匹配）
\d 数字：[0-9]
\D 非数字： [^0-9]
\s 空白字符：[ \t\n\x0B\f\r]
\S 非空白字符：[^\s]
\w 单词字符：[a-zA-Z_0-9]
\W 非单词字符：[^\w]

POSIX 字符类（仅 US-ASCII）
\p{Lower} 小写字母字符：[a-z]
\p{Upper} 大写字母字符：[A-Z]
\p{ASCII} 所有 ASCII：[\x00-\x7F]
\p{Alpha} 字母字符：[\p{Lower}\p{Upper}]
\p{Digit} 十进制数字：[0-9]
\p{Alnum} 字母数字字符：[\p{Alpha}\p{Digit}]
\p{Punct} 标点符号：!”#$%&’()*+,-./:;<=>?@[]^_`{|}~
\p{Graph} 可见字符：[\p{Alnum}\p{Punct}]
\p{Print} 可打印字符：[\p{Graph}\x20]
\p{Blank} 空格或制表符：[ \t]
\p{Cntrl} 控制字符：[\x00-\x1F\x7F]
\p{XDigit} 十六进制数字：[0-9a-fA-F]
\p{Space} 空白字符：[ \t\n\x0B\f\r]

java.lang.Character 类（简单的 java 字符类型）
\p{javaLowerCase} 等效于 java.lang.Character.isLowerCase()
\p{javaUpperCase} 等效于 java.lang.Character.isUpperCase()
\p{javaWhitespace} 等效于 java.lang.Character.isWhitespace()
\p{javaMirrored} 等效于 java.lang.Character.isMirrored()

Unicode 块和类别的类
\p{InGreek} Greek 块（简单块）中的字符
\p{Lu} 大写字母（简单类别）
\p{Sc} 货币符号
\P{InGreek} 所有字符，Greek 块中的除外（否定）
[\p{L}&&[^\p{Lu}]] 所有字母，大写字母除外（减去）

边界匹配器
^ 行的开头
$ 行的结尾
\b 单词边界
\B 非单词边界
\A 输入的开头
\G 上一个匹配的结尾
\Z 输入的结尾，仅用于最后的结束符（如果有的话）
\z 输入的结尾

Greedy 数量词
X? X，一次或一次也没有
X* X，零次或多次
X+ X，一次或多次
X{n} X，恰好 n 次
X{n,} X，至少 n 次
X{n,m} X，至少 n 次，但是不超过 m 次

Reluctant 数量词
X?? X，一次或一次也没有
X*? X，零次或多次
X+? X，一次或多次
X{n}? X，恰好 n 次
X{n,}? X，至少 n 次
X{n,m}? X，至少 n 次，但是不超过 m 次

Possessive 数量词
X?+ X，一次或一次也没有
X*+ X，零次或多次
X++ X，一次或多次
X{n}+ X，恰好 n 次
X{n,}+ X，至少 n 次
X{n,m}+ X，至少 n 次，但是不超过 m 次

Logical 运算符
XY X 后跟 Y
X|Y X 或 Y
(X) X，作为捕获组

Back 引用
\n 任何匹配的 nth 捕获组

引用
\ Nothing，但是引用以下字符
\Q Nothing，但是引用所有字符，直到 \E
\E Nothing，但是结束从 \Q 开始的引用

特殊构造（非捕获）
(?:X) X，作为非捕获组
(?idmsux-idmsux) Nothing，但是将匹配标志i d m s u x on - off
(?idmsux-idmsux:X) X，作为带有给定标志 i d m s u x on - off
的非捕获组 (?=X) X，通过零宽度的正 lookahead
(?!X) X，通过零宽度的负 lookahead
(?<=X) X，通过零宽度的正 lookbehind

如果觉得看不太清除的，可以参考
http://www.runoob.com/java/java-regular-expressions.html

Matcher类的方法

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

//返回以前匹配的初始索引。
public int start() 
//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
public int start(int group)
//返回最后匹配字符之后的偏移量
public int end()
//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
public int end(int group)

研究方法

public boolean lookingAt() 
//尝试将从区域开头开始的输入序列与该模式匹配。
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。
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。
public boolean matches() 
//尝试将整个区域与模式匹配。

替换方法

public Matcher appendReplacement(StringBuffer sb, String replacement)
//实现非终端添加和替换步骤。
public StringBuffer appendTail(StringBuffer sb)
//实现终端添加和替换步骤。
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。
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。
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。

具体的例子代码：
获取索引

public class RegexIndex {
    private static final String REGEX="\\bcat\\b";
    private static final String INPUT="cat cat cat cattie cat";
    public static void main(String[] args) {
        Pattern p=Pattern.compile(REGEX);
        Matcher m=p.matcher(INPUT);
        int count=0;

        while(m.find()) {
            count++;
            System.out.println("Match number"+count);
            System.out.println("start():"+m.start());
            System.out.println("end():"+m.end());
        }
    }
}

查询匹配：

public class RegexMatches {
    private static final String REGEX="foo";
    private static final String INPUT="foooooooooo";
    private static final String INPUT2="oooooofoooooo";
    private static Pattern pattern;
    private static Matcher matcher1;
    private static Matcher matcher2;
    public static void main(String[] args) {
        pattern=Pattern.compile(REGEX);
        matcher1=pattern.matcher(INPUT);
        matcher2=pattern.matcher(INPUT2);

        System.out.println("Current REGEX is: "+REGEX);
        System.out.println("Current INPUT is: "+INPUT);
        System.out.println("Current INPUT2 is: "+INPUT2);

        System.out.println("lookingAt():"+matcher1.lookingAt());    //尝试将从区域开头开始的输入序列与该模式匹配
        System.out.println("matches():"+matcher1.matches());        //在整个区域的输入序列中与该模式进行匹配
        System.out.println("lookingAt():"+matcher2.lookingAt());    
    }
}

查询替换：

public class RegexReplace {
    private static String REGEX="dog";
    private static String INPUT="The dog says meow. " +
            "All dogs say meow.";
    private static String REPLACE="cat";
    public static void main(String[] args) {
        Pattern p=Pattern.compile(REGEX);
        Matcher m=p.matcher(INPUT);
        System.out.println("替换之前："+INPUT);
        INPUT=m.replaceFirst(REPLACE);
        System.out.println("replaceFirst():"+INPUT);
        INPUT=m.replaceAll(REPLACE);
        System.out.println("replaceAll():"+INPUT);

    }

}

参考资料：
http://www.runoob.com/java/java-regular-expressions.html
JDK API 1.6.0 中文版