Java String.replaceAll() 与后向引用(backreference)

问题

昨天看到一篇博文，文中谈到一道 Java 面试题：

给定一字符串，若该字符串中间包含 "*"，则删除该 "*"；若该字符串首字符或尾字符为 "*"，则保留该 "*"。

举几个例子（箭头左边为输入，箭头右边为输出）：

* --> *

** --> **

**** --> **

*ab**de** --> *abde*

我觉得应该用正则表达式来处理，但想不出正则表达式该怎么写。

第一种解答

该博文的回复中有人给出下面的答案：

str.replaceAll("(^\\*)|(\\*$)|\\*", "$1$2");

上机验证一下，答案是对的，但不懂为什么正则表达式要这么写。到 stackoverflow 上发帖问了一下，才大概明白是怎么回事儿。当时问的时候，对这个问题想得不清楚，所以问的问题也是糊里糊涂。

下面是我的理解，不对之处请多拍砖：

replaceAll() 是 Java String 类的一个方法：

public String replaceAll(String regex, String replacement)

Replaces each substring of this string that matches the given regular expression with the given replacement.

（特别要注意的是，这个方法的第一个参数是一个正则表达式。我过去在第一个参数上栽过跟头。不过，这回我栽在第二个参数上。）

"(^\\)|(\\$)|\\*" 解释：

(^\\*) ：capturing group 1, 匹配字符串开始处的 *

(\\*$) ：capturing group 2, 匹配字符串结尾处的 *

\\* ： 匹配任意位置的 *

因为 "*" 在正则表达式中是特殊字符，所以需要使用转义字符 "\"。但在Java中 "\" 也是特殊字符，所以需要再一次使用 "\"，这样就造成 "*" 前面有两个 "\"。
圆括号 "()" 把括号内的内容作为一个 capturing group，为后面的 backreference 做准备。关于 capturing group 请看这里。
"|" 表明左右的表达式是 "或" 的关系。
"\\*" 单独使用的话可以匹配字符串中任意位置的 "*"。但在上述的表达式中，开始和结尾处的 "*" 优先被 "(^\\*)" 或 "(\\*$)" 匹配了。

因此上面的表达式可以匹配字符串开始处的 "*"，或者匹配字符串结尾处的 "*"，或者匹配字符串任意位置的 "*"。也就是说，字符串中所有的 "*" 都匹配上了。

"$1$2" 解释：

$1 ：backreference 第一个 capturing group

$2 ：backreference 第二个 capturing group

这个参数中 "$1" 和 "$2" 的内容被用来替换前一个参数中匹配的字符串。

以字符串 "*abde" 为例：

第一个 "*" 匹配，使用 "$1$2" 来替换。这时 "$1" 的内容为 "*"，"$2" 的内容为空，所以第一个 "*" 被它自己替换。
接下来 "a" 和 "b" 都不匹配，略过，继续往后走。
第二个 "*" 匹配，使用 "$1$2" 来替换。这时 "$1" 的内容为空，"$2" 的内容为空，所以这个 "*" 被替换为空。
第三个 "*" 跟第二个 "*" 一样，也被替换为空。
接下来的 "d" 和 "e" 不匹配，继续往后走。
第四个 "*" 匹配，跟第二个、第三个 "*" 一样，被替换为空。
最后一个 "*" 匹配，使用 "$1$2" 来替换。这时 "$1" 的内容为空，"$2" 的内容为 "*"，所以最后一个 "*" 被它自己替换。
最后的结果是："*abde*"

这里有一点要注意：在正则表达式中，backreference 是用 "反斜杠 + 数字" 来表示的，比如：\1, \2 。但是，当 backreference 出现在替换字符串中时，Java 的 backreference 使用 "美元符号 + 数字" 来表示，比如：$1, $2 。据说这是跟 Perl 学的。不嫌累的话看看这个帖子吧。

第二种解答

另外一种使用正则表达式的方法是：如果 "*" 不在头，也不在尾，则替换为空。这种想法很自然，但实现起来却不容易。

String repl = str.replaceAll("(?<!^)\\*+(?!$)", "");

正则表达式解释：

(?<!^)   # 如果前一个位置不是行首

\\*+     # 匹配一个或多个 *

(?!$)    # 如果下一个位置不是行尾

"?<!" 表示 Negative Lookahead，"?!" 表示 Negative Lookbehind 。详细说明请参考这里和这里。

第三种解答

String repl = str.replaceAll("(^\\*)|(\\*$)|\\*+", "$1$2");

这个跟上面的第二种解答都是由同一个人回复的，但这个解答有点问题：如果结尾处有两个或两个以上的 "*" 时，这些 "*" 都被替换为空。

例如，若输入为 "*ab**de**"，则输出为"*abde"，最后的那个 "*" 不见了。

这是因为缺省情况下，正则匹配处于 Greediness(贪婪) 匹配模式，会匹配尽量多的字符。"\*+" 可以匹配一个或多个 "*" 。在倒数第二个 "*" 的时候，匹配一个 "*" 或两个 "*" 都可以。但它比较贪婪，所以把最后两个 "*" 都匹配上了，然后被 "$1$2" 替换为空。

把正则匹配改为 Laziness(偷懒)匹配可以解决这个问题。在表达式后面加一个 "?" 就变成 Laziness 匹配了："\*+?" 。

String repl = str.replaceAll("(^\\*)|(\\*$)|\\*+?", "$1$2");

关于 Greediness 和 Laziness 请看这里。

正则表达式效率

该网站可以测试正则表达式，并给出详细的解释。它还给出匹配所需的步数，你可以用这个步数来比较表达式的效率。从这个网站上看，第二种方法效率最高。

参考链接