淺談Java正則表達式

正則表達式我們都知道，它定義了字符串的模式，可以用來搜索、編輯或處理文本。我們在某些特定場景中用起來是非常方便的。它等於是給我們划定了一個范圍，讓我們可以精准的匹配到我們想要的結果。比如我想判斷一個幾十頁的文件中是不是含有郵箱地址，如果用傳統的方法，我還要從頭到尾遍歷篩選一遍，工作量很大，但有了正則我們就可以划定模式去判斷，非常之方便。正則表達式並不僅限於某一種語言，但是在每種語言中有細微的差別。下面我就正則表達式在Java中的應用來舉例說明其基本用法。

淺談正則表達式

• • 1.正則表達式可以用來干什么
  • 2.如何使用正則表達式
  • • 1.正則表達式元字符
    • 2.直接通過字符串方法去使用
    • 3.通過`Pattern`和`Matcher`類去使用
    • 4.貪婪模式與禁用貪婪
    • 5.利與弊

1.正則表達式可以用來干什么

光說什么是正則表達式，有人就有疑問了。那他到底能用來干什么，現在我就先舉一例，然后再慢慢給大家說：
就比如現在我判斷一堆字符串中是不是包含有數字，那么就可以用正則來做：

@Test
    public void test1(){
        String s = "fsjkdhfgjh666hgdfshjhahaksgefj";
        System.out.println(s.matches("^.*[\\d+].*$"));
    }

證明有數字，也確實有。
但你也許說了，我將字符串遍歷一遍啊，然后逐個判斷，不也能找到嗎？當然能啊。對於這樣一個字符串那當然可以這樣做。但是如果我們面對的是一本書呢？我想判斷一本書里有沒有身份證號，首先我不確定這個身份證號是多少（當然肯定是18位），那你怎么稿？總不能將這本書從頭到尾遍歷一遍吧，那工作量相當大。而且你也不知道具體是多少，那這時候，正則表達式的優勢就出來了。我可以划定一個規則去檢索。這大大的提高了我們的開發效率。

2.如何使用正則表達式

那么正則表達式如何去使用呢。
首先我給大家列個表：

1.正則表達式元字符

字符	描述
\	將下一個字符標記為一個特殊字符、或一個原義字符、或一個 向后引用、或一個八進制轉義符。例如，‘n’ 匹配字符 “n”。’\n’ 匹配一個換行符。序列 ‘\’ 匹配 “” 而 “(” 則匹配 “(”。
^	匹配輸入字符串的開始位置。如果設置了 RegExp 對象的 Multiline 屬性，^ 也匹配 ‘\n’ 或 ‘\r’ 之后的位置。
$	匹配輸入字符串的結束位置。如果設置了RegExp 對象的 Multiline 屬性，$ 也匹配 ‘\n’ 或 ‘\r’ 之前的位置。
*	匹配前面的子表達式零次或多次。例如，zo* 能匹配 “z” 以及 “zoo”。* 等價於{0,}。
+	匹配前面的子表達式一次或多次。例如，‘zo+’ 能匹配 “zo” 以及 “zoo”，但不能匹配 “z”。+ 等價於 {1,}。
?	匹配前面的子表達式零次或一次。例如，“do(es)?” 可以匹配 “do” 或 “does” 。? 等價於 {0,1}。
{n}	n 是一個非負整數。匹配確定的 n 次。例如，‘o{2}’ 不能匹配 “Bob” 中的 ‘o’，但是能匹配 “food” 中的兩個 o。
{n,}	n 是一個非負整數。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,}’ 等價於 ‘o+’。‘o{0,}’ 則等價於 ‘o*’。
{n,m}	m 和 n 均為非負整數，其中n <= m。最少匹配 n 次且最多匹配 m 次。例如，“o{1,3}” 將匹配 “fooooood” 中的前三個 o。‘o{0,1}’ 等價於 ‘o?’。請注意在逗號和兩個數之間不能有空格。
?	當該字符緊跟在任何一個其他限制符 (*, +, ?, {n}, {n,}, {n,m}) 后面時，匹配模式是非貪婪的。非貪婪模式盡可能少的匹配所搜索的字符串，而默認的貪婪模式則盡可能多的匹配所搜索的字符串。例如，對於字符串 “oooo”，‘o+?’ 將匹配單個 “o”，而 ‘o+’ 將匹配所有 ‘o’。
.	匹配除換行符（\n、\r）之外的任何單個字符。要匹配包括 ‘\n’ 在內的任何字符，請使用像"(.|\n)"的模式。
(pattern)	匹配 pattern 並獲取這一匹配。所獲取的匹配可以從產生的 Matches 集合得到，在VBScript 中使用 SubMatches 集合，在JScript 中則使用 $0…$9 屬性。要匹配圓括號字符，請使用 ‘(’ 或 ‘)’。
(?:pattern)	匹配 pattern 但不獲取匹配結果，也就是說這是一個非獲取匹配，不進行存儲供以后使用。這在使用 “或” 字符 (|) 來組合一個模式的各個部分是很有用。例如， 'industr(?:y|ies) 就是一個比 ‘industry|industries’ 更簡略的表達式。
(?=pattern)	正向肯定預查（look ahead positive assert），在任何匹配pattern的字符串開始處匹配查找字符串。這是一個非獲取匹配，也就是說，該匹配不需要獲取供以后使用。例如，“Windows(?=95|98|NT|2000)“能匹配"Windows2000"中的"Windows”，但不能匹配"Windows3.1"中的"Windows”。預查不消耗字符，也就是說，在一個匹配發生后，在最后一次匹配之后立即開始下一次匹配的搜索，而不是從包含預查的字符之后開始。
(?!pattern)	正向否定預查(negative assert)，在任何不匹配pattern的字符串開始處匹配查找字符串。這是一個非獲取匹配，也就是說，該匹配不需要獲取供以后使用。例如"Windows(?!95|98|NT|2000)“能匹配"Windows3.1"中的"Windows”，但不能匹配"Windows2000"中的"Windows"。預查不消耗字符，也就是說，在一個匹配發生后，在最后一次匹配之后立即開始下一次匹配的搜索，而不是從包含預查的字符之后開始。
(?<=pattern)	反向(look behind)肯定預查，與正向肯定預查類似，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)	反向否定預查，與正向否定預查類似，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’ 則匹配 “zood” 或 “food”。
[xyz]	字符集合。匹配所包含的任意一個字符。例如， ‘[abc]’ 可以匹配 “plain” 中的 ‘a’。
[^xyz]	負值字符集合。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]	字符范圍。匹配指定范圍內的任意字符。例如，’[a-z]’ 可以匹配 ‘a’ 到 ‘z’ 范圍內的任意小寫字母字符。
[^a-z]	負值字符范圍。匹配任何不在指定范圍內的任意字符。例如，’[^a-z]’ 可以匹配任何不在 ‘a’ 到 ‘z’ 范圍內的任意字符。
\b	匹配一個單詞邊界，也就是指單詞和空格間的位置。例如， ‘er\b’ 可以匹配"never" 中的 ‘er’，但不能匹配 “verb” 中的 ‘er’。
\B	匹配非單詞邊界。‘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 匹配一個 Control-M 或回車符。x 的值必須為 A-Z 或 a-z 之一。否則，將 c 視為一個原義的 ‘c’ 字符。
\d	匹配一個數字字符。等價於 [0-9]。
\D	匹配一個非數字字符。等價於 [^0-9]。
\f	匹配一個換頁符。等價於 \x0c 和 \cL。
\n	匹配一個換行符。等價於 \x0a 和 \cJ。
\r	匹配一個回車符。等價於 \x0d 和 \cM。
\s	匹配任何空白字符，包括空格、制表符、換頁符等等。等價於 [ \f\n\r\t\v]。
\S	匹配任何非空白字符。等價於 [^ \f\n\r\t\v]。
\t	匹配一個制表符。等價於 \x09 和 \cI。
\v	匹配一個垂直制表符。等價於 \x0b 和 \cK。
\w	匹配字母、數字、下划線。等價於’[A-Za-z0-9_]’。
\W	匹配非字母、數字、下划線。等價於 ‘[^A-Za-z0-9_]’。
\xn	匹配 n，其中 n 為十六進制轉義值。十六進制轉義值必須為確定的兩個數字長。例如，’\x41’ 匹配 “A”。’\x041’ 則等價於 ‘\x04’ & “1”。正則表達式中可以使用 ASCII 編碼。
\num	匹配 num，其中 num 是一個正整數。對所獲取的匹配的引用。例如，’(.)\1’ 匹配兩個連續的相同字符。
\n	標識一個八進制轉義值或一個向后引用。如果 \n 之前至少 n 個獲取的子表達式，則 n 為向后引用。否則，如果 n 為八進制數字 (0-7)，則 n 為一個八進制轉義值。
\nm	標識一個八進制轉義值或一個向后引用。如果 \nm 之前至少有 nm 個獲得子表達式，則 nm 為向后引用。如果 \nm 之前至少有 n 個獲取，則 n 為一個后跟文字 m 的向后引用。如果前面的條件都不滿足，若 n 和 m 均為八進制數字 (0-7)，則 \nm 將匹配八進制轉義值 nm。
\nml	如果 n 為八進制數字 (0-3)，且 m 和 l 均為八進制數字 (0-7)，則匹配八進制轉義值 nml。
\un	匹配 n，其中 n 是一個用四個十六進制數字表示的 Unicode 字符。例如， \u00A9 匹配版權符號 (?)。

轉自原地址。表中已經列的挺詳細了。那么在Java中我們應該如何使用呢，這里我就一些比較常用的再舉例說明一下：

2.直接通過字符串方法去使用

目前String類支持正則的方法有以下幾種：

.replaceAll() 替換全部
.replaceFirst() 替換第一個
.split() 將字符串劈分成數組
.matches() 判斷字符串是否與給定的模式匹配

下面我順便帶着一些常用的元字符，一一舉例：

    @Test
    public void test2(){
        // . 一個 . 代表一個任意符號，所以四個點匹配四個
        System.out.println("a4^-".matches("....")); //true 此句表示匹配四個任意字符

        // - 表示范圍 如 a-z 0-9
        // [] 字符集 匹配里面包含的任意字符 如 [0-9]匹配從0-9之間任意數字一個
        System.out.println("h".matches("a-z"));  //false 此句直接寫表示並列 a 或 - 或 z
        System.out.println("h".matches("[a-z]"));  //true 表示[] 內的字符任意一個

        // ^ $ 表示開頭和結尾
        System.out.println("a4^-".matches("^....$"));  //true

        // * 取值長度范圍 表示0個到多個 {0,} 屬於量詞
        System.out.println("a4^-".matches(".*"));  //true 此句表示匹配任意長度任意符號

        // + 取值長度范圍 表示0個到多個 {1,} 屬於量詞
        System.out.println("123".matches("[0-9]+"));  //true 此句表示最少匹配一個數字
        System.out.println("abc".matches("[0-9]+"));  //false

        // ? 取值長度范圍 表示0個到多個 {0,1} 屬於量詞
        System.out.println("8".matches("[0-9]?")); //true 此句表示 匹配 0 個或者 1 個數字
        System.out.println("88".matches("[0-9]?"));  //false 兩個，超出范圍

        // {m,n} 取值長度范圍 m個到n個
        System.out.println("12345".matches("[0-9]{4,8}"));  // true表示數字長度在4-8之間
        System.out.println("123".matches("[0-9]{4,8}"));  // False 不在范圍內

        // \d 數字 與[0-9]相同
        // \D 非數字
        System.out.println("123".matches("\\d+"));  //true 注意這里用兩個\\是因為在Java中單個\是轉義符
        System.out.println("abc".matches("\\D+"));  //true
        //舉例： 判斷字符串中有沒有數字
        System.out.println("zdjghj9jd".matches(".*\\d+.*"));//true 前后.*是因為我們不確定前后字符數量


        // | 或 前后跟要匹配的字符
        //舉例說明：判斷字符串是不是以
        System.out.println("123".matches("[0-9]+|[a-z]+"));  //true
        System.out.println("abc".matches("[0-9]+|[a-z]+"));  //true
        System.out.println("abc123".matches("[0-9]+|[a-z]+"));  //false

        // ^ 注意，放在字符集里面表示取反
        System.out.println("abc".matches("[0-9]+"));  //false
        System.out.println("abc".matches("[^0-9]+"));  //true 與\D+相同

        // () 分組操作
        System.out.println("food".matches("(f|z).*"));  //true
        System.out.println("zood".matches("(f|z).*"));  //true
        System.out.println("hood".matches("(f|z).*"));  //false
        
     	//另外，需要記住漢字的格式 \u4e00-\u9fa5
        //舉例:判斷字符串中有沒有漢字
        System.out.println("abhhj會更好hu".matches(".*[\\u4e00-\\u9fa5]+.*"));  //true
    }

上面的例子我都用了matches做例子，下面我再簡單對另外三種方法舉例：

    @Test
    public void test3() {
        //split()
        //舉例：將下面字符串按數字劈分成數組，不保留數字
        String s = "abc123hello6world101java";
        String[] ss = s.split("\\d+");
        System.out.println(Arrays.toString(ss));  //[abc, hello, world, java]

        //replaceAll() 替換所有的
        //舉例：替換字符串中所有的連續數字為"java"
        String s1 = "hello123c++456world789python";
        System.out.println(s1.replaceAll("[\\d]+","java"));  //hellojavac++javaworldjavapython

        //replaceFirst() 替換第一個
        String s2 = "javajavajava";
        System.out.println(s2.replaceFirst("java","hello"));  //hellojavajava

    }

3.通過Pattern和Matcher類去使用

對於Java來說，使用正則肯定離不開類，我們一般用的多的就是Pattern和Matcher，通過這兩個類我們可以很方便的去使用正則表達式。
他的一般使用格式如下：

    @Test
    public void test4() {
        String s = "123abc";
        Pattern p = Pattern.compile("[0-9a-z]+");  //編譯一個正則
        Pattern p2 = Pattern.compile("[0-9a-z]+", Pattern.CASE_INSENSITIVE);   //編譯一個正則 第二個參數表示不區分大小寫
        Matcher m = p.matcher(s);  //傳入一個字符串與正則進行匹配，結果存放在Matcher對象中，我們可以通過其方法去操作這個結果
    }

其中若Pattern編譯時傳入第二個參數，則相當於我們指定了修飾符。可供我們選擇的有（內容來自API文檔）：

那么我們在通過Matcher類拿到結果后，其也給我們提供了一些方法供我們去使用，常用的有一下幾種：

matches() 嘗試將整個區域與模式進行匹配。
find() 嘗試找到匹配模式的輸入序列的下一個子序列。
group() 返回與上一個匹配匹配的輸入子序列。

其中find()方法常與group()連用，下面一一舉例使用：

    @Test
    public void test5() {
        //matches() 嘗試將整個輸入序列與模式進行匹配
        //例子：判斷字符串是否存在數字，用法與String的matches()類似
        String s = "abd56jgh";
        Pattern p = Pattern.compile(".*\\d.*");
        Matcher m = p.matcher(s);
        System.out.println(m.matches());  //true

        //find() 與 group()
        //舉例：在字符串中找到所有的連續字母並輸出
        String s1 = "123java%&^hello687*&^email _python";
        Pattern p1 = Pattern.compile("[a-z]+", Pattern.CASE_INSENSITIVE);
        Matcher m1 = p1.matcher(s1);
        while (m1.find()) {
            System.out.println(m1.group());
            // java
            // hello
            // email
            // python
        }

    }

4.貪婪模式與禁用貪婪

何謂貪婪模式呢？簡單來說就是我們在匹配字符串的時候，盡可能的按照最大長度去匹配。一般默認的就是貪婪模式，比如我有這樣一個字符串：

 @Test
    public void test6() {
        //舉例：篩選出<div></div>標簽內包含的內容
        String s = "<div>hello</div><html>hello</html><div>hello 15</div>";
        Pattern p = Pattern.compile("<div>(.*)</div>");
        Matcher m = p.matcher(s);
        while(m.find()){
            System.out.printf("%s\t",m.group(1));  
            // hello</div><html>hello</html><div>hello 15 
        }

    }

可以看到，程序直接把最外層的div截取了，可是這不是我們想要的，我們想要的是把里面的每一個小的div都截取出來。這是因為程序默認按照貪婪模式來走的，就是能截取大的，不截取小的。
那么如何禁用貪婪模式呢？
所謂禁用貪婪模式，就是非貪婪模式，有的地方也叫懶惰模式。但他所表達的意思都一樣，就是能截取小的，不截取大的。
那么如何實現？我們還以上面例子舉例：

@Test
    public void test6() {
        //舉例：篩選出<div></div>標簽內包含的內容
        String s = "<div>hello</div><html>hello</html><div>hello 15</div>";
        Pattern p = Pattern.compile("<div>(.*)</div>");  //貪婪模式
        Matcher m = p.matcher(s);
        while(m.find()){
            System.out.printf("%s\t",m.group(1));
            // hello</div><html>hello</html><div>hello 15
        }

        System.out.println();
        Pattern p1 = Pattern.compile("<div>(.*?)</div>");   //禁用貪婪模式
        Matcher m1 = p1.matcher(s);
        while(m1.find()){
            System.out.println(m1.group(1));
            //hello
            //hello 15
        }
    }

很簡單，在想要匹配的長度后面加上?，就能禁用貪婪
注意：

?一定要加在量詞后面，否則?表示的含義是{0,1}

5.利與弊

正則真的就如此萬能嗎？既然正則使用起來如此方便，那是不是以后在處理所有的有關字符串問題時，都優先考慮正則呢？
顯然不是。
實際上隨着系統的日益更新，有時候使用正則反而會拖慢我們程序的運行速度，像.*這種貪婪匹配符號很容易造成大量的回溯，性能有時候會有上百萬倍的下降。
那么我們究竟應該在哪些情況下去使用呢？
我們知道，正則是給我們划定一個模式，我們可以通過這個模式去匹配字符串。比如我們想搜索一個姓名，我們只知道他姓李，叫啥不知道，這時候當然是使用正則方便，但如果我們明確的知道這個人叫“李四”,那通過indexOf()豈不是更方便一些嗎？還不容易出錯。
而且正則在有些情境下也不是很適用，比如我想判斷一個人的年齡是不是在18~30歲之間，這通過正則就很麻煩了。

簡而言之，正則只是給我們提供一種解決問題的思路，讓我們在某些情境下可以出奇的高效，我們大可不必過度使用。具體問題還要具體分析。

本文僅發表個人看法，如有紕漏還請評論區指正。大家一起探討學習。