浅谈Java正则表达式

正则表达式我们都知道，它定义了字符串的模式，可以用来搜索、编辑或处理文本。我们在某些特定场景中用起来是非常方便的。它等于是给我们划定了一个范围，让我们可以精准的匹配到我们想要的结果。比如我想判断一个几十页的文件中是不是含有邮箱地址，如果用传统的方法，我还要从头到尾遍历筛选一遍，工作量很大，但有了正则我们就可以划定模式去判断，非常之方便。正则表达式并不仅限于某一种语言，但是在每种语言中有细微的差别。下面我就正则表达式在Java中的应用来举例说明其基本用法。

浅谈正则表达式

• • 1.正则表达式可以用来干什么
  • 2.如何使用正则表达式
  • • 1.正则表达式元字符
    • 2.直接通过字符串方法去使用
    • 3.通过`Pattern`和`Matcher`类去使用
    • 4.贪婪模式与禁用贪婪
    • 5.利与弊

1.正则表达式可以用来干什么

光说什么是正则表达式，有人就有疑问了。那他到底能用来干什么，现在我就先举一例，然后再慢慢给大家说：
就比如现在我判断一堆字符串中是不是包含有数字，那么就可以用正则来做：

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

证明有数字，也确实有。
但你也许说了，我将字符串遍历一遍啊，然后逐个判断，不也能找到吗？当然能啊。对于这样一个字符串那当然可以这样做。但是如果我们面对的是一本书呢？我想判断一本书里有没有身份证号，首先我不确定这个身份证号是多少（当然肯定是18位），那你怎么稿？总不能将这本书从头到尾遍历一遍吧，那工作量相当大。而且你也不知道具体是多少，那这时候，正则表达式的优势就出来了。我可以划定一个规则去检索。这大大的提高了我们的开发效率。

2.如何使用正则表达式

那么正则表达式如何去使用呢。
首先我给大家列个表：

1.正则表达式元字符

字符	描述
\	将下一个字符标记为一个特殊字符、或一个原义字符、或一个 向后引用、或一个八进制转义符。例如，‘n’ 匹配字符 “n”。’\n’ 匹配一个换行符。序列 ‘\’ 匹配 “” 而 “(” 则匹配 “(”。
^	匹配输入字符串的开始位置。如果设置了 RegExp 对象的 Multiline 属性，^ 也匹配 ‘\n’ 或 ‘\r’ 之后的位置。
$	匹配输入字符串的结束位置。如果设置了RegExp 对象的 Multiline 属性，$ 也匹配 ‘\n’ 或 ‘\r’ 之前的位置。
*	匹配前面的子表达式零次或多次。例如，zo* 能匹配 “z” 以及 “zoo”。* 等价于{0,}。
+	匹配前面的子表达式一次或多次。例如，‘zo+’ 能匹配 “zo” 以及 “zoo”，但不能匹配 “z”。+ 等价于 {1,}。
?	匹配前面的子表达式零次或一次。例如，“do(es)?” 可以匹配 “do” 或 “does” 。? 等价于 {0,1}。
{n}	n 是一个非负整数。匹配确定的 n 次。例如，‘o{2}’ 不能匹配 “Bob” 中的 ‘o’，但是能匹配 “food” 中的两个 o。
{n,}	n 是一个非负整数。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,}’ 等价于 ‘o+’。‘o{0,}’ 则等价于 ‘o*’。
{n,m}	m 和 n 均为非负整数，其中n <= m。最少匹配 n 次且最多匹配 m 次。例如，“o{1,3}” 将匹配 “fooooood” 中的前三个 o。‘o{0,1}’ 等价于 ‘o?’。请注意在逗号和两个数之间不能有空格。
?	当该字符紧跟在任何一个其他限制符 (*, +, ?, {n}, {n,}, {n,m}) 后面时，匹配模式是非贪婪的。非贪婪模式尽可能少的匹配所搜索的字符串，而默认的贪婪模式则尽可能多的匹配所搜索的字符串。例如，对于字符串 “oooo”，‘o+?’ 将匹配单个 “o”，而 ‘o+’ 将匹配所有 ‘o’。
.	匹配除换行符（\n、\r）之外的任何单个字符。要匹配包括 ‘\n’ 在内的任何字符，请使用像"(.|\n)"的模式。
(pattern)	匹配 pattern 并获取这一匹配。所获取的匹配可以从产生的 Matches 集合得到，在VBScript 中使用 SubMatches 集合，在JScript 中则使用 $0…$9 属性。要匹配圆括号字符，请使用 ‘(’ 或 ‘)’。
(?:pattern)	匹配 pattern 但不获取匹配结果，也就是说这是一个非获取匹配，不进行存储供以后使用。这在使用 “或” 字符 (|) 来组合一个模式的各个部分是很有用。例如， 'industr(?:y|ies) 就是一个比 ‘industry|industries’ 更简略的表达式。
(?=pattern)	正向肯定预查（look ahead positive assert），在任何匹配pattern的字符串开始处匹配查找字符串。这是一个非获取匹配，也就是说，该匹配不需要获取供以后使用。例如，“Windows(?=95|98|NT|2000)“能匹配"Windows2000"中的"Windows”，但不能匹配"Windows3.1"中的"Windows”。预查不消耗字符，也就是说，在一个匹配发生后，在最后一次匹配之后立即开始下一次匹配的搜索，而不是从包含预查的字符之后开始。
(?!pattern)	正向否定预查(negative assert)，在任何不匹配pattern的字符串开始处匹配查找字符串。这是一个非获取匹配，也就是说，该匹配不需要获取供以后使用。例如"Windows(?!95|98|NT|2000)“能匹配"Windows3.1"中的"Windows”，但不能匹配"Windows2000"中的"Windows"。预查不消耗字符，也就是说，在一个匹配发生后，在最后一次匹配之后立即开始下一次匹配的搜索，而不是从包含预查的字符之后开始。
(?<=pattern)	反向(look behind)肯定预查，与正向肯定预查类似，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)	反向否定预查，与正向否定预查类似，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’ 则匹配 “zood” 或 “food”。
[xyz]	字符集合。匹配所包含的任意一个字符。例如， ‘[abc]’ 可以匹配 “plain” 中的 ‘a’。
[^xyz]	负值字符集合。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]	字符范围。匹配指定范围内的任意字符。例如，’[a-z]’ 可以匹配 ‘a’ 到 ‘z’ 范围内的任意小写字母字符。
[^a-z]	负值字符范围。匹配任何不在指定范围内的任意字符。例如，’[^a-z]’ 可以匹配任何不在 ‘a’ 到 ‘z’ 范围内的任意字符。
\b	匹配一个单词边界，也就是指单词和空格间的位置。例如， ‘er\b’ 可以匹配"never" 中的 ‘er’，但不能匹配 “verb” 中的 ‘er’。
\B	匹配非单词边界。‘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 匹配一个 Control-M 或回车符。x 的值必须为 A-Z 或 a-z 之一。否则，将 c 视为一个原义的 ‘c’ 字符。
\d	匹配一个数字字符。等价于 [0-9]。
\D	匹配一个非数字字符。等价于 [^0-9]。
\f	匹配一个换页符。等价于 \x0c 和 \cL。
\n	匹配一个换行符。等价于 \x0a 和 \cJ。
\r	匹配一个回车符。等价于 \x0d 和 \cM。
\s	匹配任何空白字符，包括空格、制表符、换页符等等。等价于 [ \f\n\r\t\v]。
\S	匹配任何非空白字符。等价于 [^ \f\n\r\t\v]。
\t	匹配一个制表符。等价于 \x09 和 \cI。
\v	匹配一个垂直制表符。等价于 \x0b 和 \cK。
\w	匹配字母、数字、下划线。等价于’[A-Za-z0-9_]’。
\W	匹配非字母、数字、下划线。等价于 ‘[^A-Za-z0-9_]’。
\xn	匹配 n，其中 n 为十六进制转义值。十六进制转义值必须为确定的两个数字长。例如，’\x41’ 匹配 “A”。’\x041’ 则等价于 ‘\x04’ & “1”。正则表达式中可以使用 ASCII 编码。
\num	匹配 num，其中 num 是一个正整数。对所获取的匹配的引用。例如，’(.)\1’ 匹配两个连续的相同字符。
\n	标识一个八进制转义值或一个向后引用。如果 \n 之前至少 n 个获取的子表达式，则 n 为向后引用。否则，如果 n 为八进制数字 (0-7)，则 n 为一个八进制转义值。
\nm	标识一个八进制转义值或一个向后引用。如果 \nm 之前至少有 nm 个获得子表达式，则 nm 为向后引用。如果 \nm 之前至少有 n 个获取，则 n 为一个后跟文字 m 的向后引用。如果前面的条件都不满足，若 n 和 m 均为八进制数字 (0-7)，则 \nm 将匹配八进制转义值 nm。
\nml	如果 n 为八进制数字 (0-3)，且 m 和 l 均为八进制数字 (0-7)，则匹配八进制转义值 nml。
\un	匹配 n，其中 n 是一个用四个十六进制数字表示的 Unicode 字符。例如， \u00A9 匹配版权符号 (?)。

转自原地址。表中已经列的挺详细了。那么在Java中我们应该如何使用呢，这里我就一些比较常用的再举例说明一下：

2.直接通过字符串方法去使用

目前String类支持正则的方法有以下几种：

.replaceAll() 替换全部
.replaceFirst() 替换第一个
.split() 将字符串劈分成数组
.matches() 判断字符串是否与给定的模式匹配

下面我顺便带着一些常用的元字符，一一举例：

    @Test
    public void test2(){
        // .  一个 . 代表一个任意符号，所以四个点匹配四个
        System.out.println("a4^-".matches("....")); //true  此句表示匹配四个任意字符

        // -  表示范围  如 a-z 0-9
        // []  字符集 匹配里面包含的任意字符 如 [0-9]匹配从0-9之间任意数字一个
        System.out.println("h".matches("a-z"));  //false  此句直接写表示并列 a 或 - 或 z
        System.out.println("h".matches("[a-z]"));  //true  表示[] 内的字符任意一个

        // ^ $   表示开头和结尾
        System.out.println("a4^-".matches("^....$"));  //true

        // *  取值长度范围 表示0个到多个 {0,} 属于量词
        System.out.println("a4^-".matches(".*"));  //true  此句表示匹配任意长度任意符号

        // +  取值长度范围 表示0个到多个 {1,} 属于量词
        System.out.println("123".matches("[0-9]+"));  //true 此句表示最少匹配一个数字
        System.out.println("abc".matches("[0-9]+"));  //false

        // ?  取值长度范围 表示0个到多个 {0,1} 属于量词
        System.out.println("8".matches("[0-9]?")); //true  此句表示 匹配 0 个或者 1 个数字
        System.out.println("88".matches("[0-9]?"));  //false 两个，超出范围

        // {m,n} 取值长度范围 m个到n个
        System.out.println("12345".matches("[0-9]{4,8}"));  // true表示数字长度在4-8之间
        System.out.println("123".matches("[0-9]{4,8}"));  // False 不在范围内

        // \d  数字 与[0-9]相同
        //  \D  非数字
        System.out.println("123".matches("\\d+"));  //true 注意这里用两个\\是因为在Java中单个\是转义符
        System.out.println("abc".matches("\\D+"));  //true
        //举例： 判断字符串中有没有数字
        System.out.println("zdjghj9jd".matches(".*\\d+.*"));//true 前后.*是因为我们不确定前后字符数量

        // |  或 前后跟要匹配的字符
        //举例说明：判断字符串是不是以
        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  与\D+相同

        // ()  分组操作
        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，需要记住汉字的格式  \u4e00-\u9fa5
        //举例:判断字符串中有没有汉字
        System.out.println("abhhj会更好hu".matches(".*[\\u4e00-\\u9fa5]+.*"));  //true
    }

上面的例子我都用了matches做例子，下面我再简单对另外三种方法举例：

    @Test
    public void test3() {
        //split()
        //举例：将下面字符串按数字劈分成数组，不保留数字
        String s = "abc123hello6world101java";
        String[] ss = s.split("\\d+");
        System.out.println(Arrays.toString(ss));  //[abc, hello, world, java]

        //replaceAll()  替换所有的
        //举例：替换字符串中所有的连续数字为"java"
        String s1 = "hello123c++456world789python";
        System.out.println(s1.replaceAll("[\\d]+","java"));  //hellojavac++javaworldjavapython

        //replaceFirst()  替换第一个
        String s2 = "javajavajava";
        System.out.println(s2.replaceFirst("java","hello"));  //hellojavajava

    }

3.通过Pattern和Matcher类去使用

对于Java来说，使用正则肯定离不开类，我们一般用的多的就是Pattern和Matcher，通过这两个类我们可以很方便的去使用正则表达式。
他的一般使用格式如下：

    @Test
    public void test4() {
        String s = "123abc";
        Pattern p = Pattern.compile("[0-9a-z]+");  //编译一个正则
        Pattern p2 = Pattern.compile("[0-9a-z]+", Pattern.CASE_INSENSITIVE);   //编译一个正则 第二个参数表示不区分大小写
        Matcher m = p.matcher(s);  //传入一个字符串与正则进行匹配，结果存放在Matcher对象中，我们可以通过其方法去操作这个结果
    }

其中若Pattern编译时传入第二个参数，则相当于我们指定了修饰符。可供我们选择的有（内容来自API文档）：

那么我们在通过Matcher类拿到结果后，其也给我们提供了一些方法供我们去使用，常用的有一下几种：

matches() 尝试将整个区域与模式进行匹配。
find() 尝试找到匹配模式的输入序列的下一个子序列。
group() 返回与上一个匹配匹配的输入子序列。

其中find()方法常与group()连用，下面一一举例使用：

    @Test
    public void test5() {
        //matches()  尝试将整个输入序列与模式进行匹配
        //例子：判断字符串是否存在数字，用法与String的matches()类似
        String s = "abd56jgh";
        Pattern p = Pattern.compile(".*\\d.*");
        Matcher m = p.matcher(s);
        System.out.println(m.matches());  //true

        //find() 与 group()
        //举例：在字符串中找到所有的连续字母并输出
        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.贪婪模式与禁用贪婪

何谓贪婪模式呢？简单来说就是我们在匹配字符串的时候，尽可能的按照最大长度去匹配。一般默认的就是贪婪模式，比如我有这样一个字符串：

 @Test
    public void test6() {
        //举例：筛选出<div></div>标签内包含的内容
        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，程序直接把最外层的div截取了，可是这不是我们想要的，我们想要的是把里面的每一个小的div都截取出来。这是因为程序默认按照贪婪模式来走的，就是能截取大的，不截取小的。
那么如何禁用贪婪模式呢？
所谓禁用贪婪模式，就是非贪婪模式，有的地方也叫懒惰模式。但他所表达的意思都一样，就是能截取小的，不截取大的。
那么如何实现？我们还以上面例子举例：

@Test
    public void test6() {
        //举例：筛选出<div></div>标签内包含的内容
        String s = "<div>hello</div><html>hello</html><div>hello 15</div>";
        Pattern p = Pattern.compile("<div>(.*)</div>");  //贪婪模式
        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>");   //禁用贪婪模式
        Matcher m1 = p1.matcher(s);
        while(m1.find()){
            System.out.println(m1.group(1));
            //hello
            //hello 15
        }
    }

很简单，在想要匹配的长度后面加上?，就能禁用贪婪
注意：

?一定要加在量词后面，否则?表示的含义是{0,1}

5.利与弊

正则真的就如此万能吗？既然正则使用起来如此方便，那是不是以后在处理所有的有关字符串问题时，都优先考虑正则呢？
显然不是。
实际上随着系统的日益更新，有时候使用正则反而会拖慢我们程序的运行速度，像.*这种贪婪匹配符号很容易造成大量的回溯，性能有时候会有上百万倍的下降。
那么我们究竟应该在哪些情况下去使用呢？
我们知道，正则是给我们划定一个模式，我们可以通过这个模式去匹配字符串。比如我们想搜索一个姓名，我们只知道他姓李，叫啥不知道，这时候当然是使用正则方便，但如果我们明确的知道这个人叫“李四”,那通过indexOf()岂不是更方便一些吗？还不容易出错。
而且正则在有些情境下也不是很适用，比如我想判断一个人的年龄是不是在18~30岁之间，这通过正则就很麻烦了。

简而言之，正则只是给我们提供一种解决问题的思路，让我们在某些情境下可以出奇的高效，我们大可不必过度使用。具体问题还要具体分析。

本文仅发表个人看法，如有纰漏还请评论区指正。大家一起探讨学习。