正则表达式小记

正则表示式简介

正则表示式基本上包括两种字符：字面意义字符与元字符。

字面意义字符是指按照字面意义比较的字符;

元字符是不按照字面比较，在不同情境有不同意义的字符。

1. 字面意义字符

字符	说明
字母或数字	比较字母或数字
\\	比较\
\0n	八进制0n字符(0<=n<=7)
\0nn	八进制0nn字符(0<=n<=7)
\0mnn	八进制0mnn字符(0<=m<=3,0<=n<=7)
\xhh	十六进制0xhh字符
\uhhhh	十六进制0xhhh字符
\xh…h	十六进制0xh…h字符
\t	Tab(\u0009)
\n	换行(\u000A)
\r	返回(\u000D)
\f	换页(\u000C)
\a	响铃(\u0007)
\e	Esc(\u000B)
\cx	控制字符x

元字符在正则表示式中具有特殊的意义，如! $ * ( ) + = { } [ ] | \ : . ?等。若要比较这些字符，则必须加上忽略符号\。如果不确定哪些标点符号字符要加忽略符号，可以在每个标点符号前加上\。

使用java字符串撰写正则表示式比较麻烦。
将正则表示式\|放入” “之间时，按照java字符串规定必须忽略\|中的,所以必须写成”\\|”

for(String token : "Justin|Monica|Irene".split("\\|")){
    System.out.println(token);
}

注意：在Java中使用字符串撰写正则表达式时，先写下正则表达式，再在每个\前加上\。

2. 字符类

正则表示式中，多个字符可以分归在一起，成为一个字符类。

一个字符类定义一组字符，其中的任一字符均可出现在输入字符串中以便成功匹配。

归类字符的方式之一是将字符放于[ ]中。

字符类	说明
[abc]	a或b或c任一字符
[^abc]	a、b、c以外的任一字符
[a-zA-Z]	a～z或A～Z任一字符
[a-d[m-p]]	a～d或m～p任一字符（并集），等于[a-dm-p]
[a-z&&[def]]	a～z而且是d、e、f的任一字符(交集)，等于[def]
[a-z&&[^bc]]	a～z而且不是b或c的任一字符(差集)，等于[ad-z]
[a-z&&[^m-p]]	a～z而且不是m～p的任一字符，等于[a-lq-z]

字符类中可以再有字符类，把正则表示式想成是语言的话，字符类就像是其中独立的子语言。

预定义字符类	说明
.	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]

3. 贪婪、逐步、独吞量词

贪婪量词	说明
X?	X，一次或零次
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

贪婪量词
贪婪量词之所以贪婪，是因为看到贪婪量词时，比较器(Matcher)会把剩余文字整个吃掉，再逐步吐出(Back-Off)文字，看看是否符合贪婪量词后的正则表达式。如果吐出部分符合，而吃下的部分也符合贪婪量词就比较成功，结果就是贪婪量词会尽可能地找出长度最长的符合文字。

逐步量词
如果在贪婪量词表示法后加上？，将会成为逐步量词，又称懒惰量词，或非贪婪量词，比较器看到逐步量词时，会一边吃掉剩余文字，一边看看吃下的文字是否符合正则表达式，结果就是逐步量词会尽可能地找出长度最短的符合文字。

独吞量词
如果在贪婪量词表示法后加上+，将会成为独吞量词，比较器看到独吞量词时，会先将剩余文字吃掉，然后看看独吞量词部分是否符合吃下的文字，如果符合就不会再吐出来了。

比较xfooxxxxxxfoo

规则表示式	得到符合的文字
.*foo	xfooxxxxxxfoo
.*?foo	xfoo与xxxxxxfoo
.*+foo	无

String[] regexs = {".*foo" , ".*?foo" , ".*+foo"};
for(String regex : regexs){
    System.out.println("xfooxxxxxxfoo".replaceAll(regex,"Orz"));
}

//结果：
Orz
OrzOrz
xfooxxxxxxfoo

4. 边界比较

边界比较用来表示文字必须符合指定的边界条件，也就是定位点，因此这类表示式也常称为锚点。

边界比较	说明
^	一行开头
$	一行结尾
\b	单词边界
\B	非单词边界
\A	输入开头
\G	前一个符合项目结尾
\Z	并非最后终端机的输入结尾
\z	输入结尾

5.分组与参考

可以使用()来将正则表示式分组，除了作为子正则表达式之外，还可以搭配量词使用。

例如想要验证电子邮件格式，允许的用户名称开头要是大小写英文字符，之后可搭配数字，正则表示式可以写为\^[a-zA-Z]+\d*;因为@后域名可以有数层，必须是大小写英文字符或数字，正则表示式可写成([a-zA-Z0-9]+.)+，其中使用()群组了正则表示式，之后的+表示这个群组的表示式符合一次或多次，最后要是com结尾，整个结合起来就是^[a-zA-Z]+\d*@([a-zA-Z0-9]+.)+com。

被分组的正则表示式，还可以在稍后回头参考。
在这之前，必须知道分组计数，如果有个规则表示式((A)(b(c)))，其中有四个分组，这是遇到的左括号来计数。

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

分组回头参考时，是在\后加上分组计数，表示参考第几个分组的比较结果。

( )、[ ]、{ } 的区别与联系

( ) 是为了提取匹配字符串的，表达式中有几个()就有几个相应的匹配字符串。(\s*)表示连续空格的字符串。
[ ] 是定义匹配的字符范围。比如[a-zA-Z0-9]表示相应位置的字符要匹配英文字符和数字。
{ } 一般是用来匹配的长度。比如\s{3}表示匹配三个空格。

圆括号()是组，主要应用在限制多选结构的范围/分组/捕获文本/环视/特殊模式处理。

1. (abc|bcd|cde),表示这一段是abc、bcd、cde三者之一，顺序也必须一致。
2. (abc)？ 表示这一组要么一起出现，要么不出现，出现那则按顺序出现。
3. (？：abc)表示找到一样abc的一组，但是不记录，不保存到变量中，否则可以通过变量中，否则可以通过x取第几个括号所匹配道德项，比如：(aaa)(bbb)(ccc)(?:ddd)(eee)可以用$1获取(aaa)匹配到的内容，而$3则获取到了(ccc)匹配到的内容，而$4则获取的是由(eee)匹配到的内容，因为前一对括号没有保存变量。
4. a(?=bbb)顺序环视 表示a后面必须紧跟3个连续的b。
5. (?i:xxxx)不区分大小写 (?s:.*)跨行匹配，可以匹配回车符。

方括号是单个匹配 字符集/排除字符集/命名字符集。

1. [0-3]，表示找到一个位置上的字符只能是0到3折四个数字，与（abc|bcd|cde）的作用比较类似，但圆括号可以匹配多个连续的字符，而一对方括号只能匹配单个字符。
2. [^0-3] 表示找到这个位置上字符只能是除了0到3之外的所有字符。
3. [:alnum:]代表的是[:alpha:]和[:digit:]，即字母和数字；[:digit:]代表的是纯数字。

()和[]有本质的区别

() 内的内容表示的是一个表达式， () 本身不匹配任何东西，只是把括号内的内容作为同一个表达式来处理，例如 (ab){1,3} ,就表示ab一起连续出现最少1次，最多三次。如果没有括号的话，ab{1,3},就表示a 后面紧跟的b出现的最少一次，最多三次。另外，括号在匹配模式中也跟重要。

[]表示匹配字符在[]中并出现一次，并且reshuffle字符写在[]会被当成普通字符来匹配，例如 [(a)] ,会匹配 (、a、)、这三个字符。

写在最后

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，在日常生活是是个很方面的工具。