java正则表达式

正则表达式定义了字符串的模式。
正则表达式可以用来搜索、编辑或处理文本。
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。

java正则相关类

相关类位于：java.util.regex包下面

类Pattern:

• 正则表达式的编译表示形式
• Pattern p = Pattern.compile(r,int)//建立正则表达式，并启用相应模式

类Matcher:

• 通过解释Pattern对character sequence执行匹配操作的引擎

demo

package com.zgx.regex;

import org.junit.Before;
import org.junit.Test;

import java.util.Arrays;
import java.util.regex.Matcher;
import java.util.regex.Pattern;

/**
 * java正则表达式
 */
public class RegexTest {
    Matcher m;
    Matcher m2;
    @Before
    public void demo(){
        //在java中遇到转义字符一个要写成两个
        //表达式对象
        Pattern p = Pattern.compile("\w+");//匹配所有字符数字下划线
        //创建Matcher对象
        m = p.matcher("adsfads2452345");
        m2 = p.matcher("adsfads&&2452345");
    }

    @Test
    public void demo01(){
        //matches方法尝试将整个字符串与该模式匹配
        System.out.println(m.matches());//true
        System.out.println(m2.matches());//false
    }

    @Test
    public void demo02(){
        //find方法扫描输入的序列，查找与该模式匹配的下一个子序列
        System.out.println(m2.find());//true
        System.out.println(m2.find());//true
        System.out.println(m2.find());//false
    }

    //分组匹配
    @Test
    public void demo03(){
        //分组匹配
        Pattern p = Pattern.compile("([a-z]+)([0-9]+)");
        Matcher m3 = p.matcher("adf132**adf465**fjf13");
        //group(),group(0)表示匹配这个表达式的字字符串（返回find发现的字符串的所有值）
        while (m3.find()){
            //下面结果为第一次循环的值
            System.out.println(m3.group());//adf132  将find找的的内容全部返回
            System.out.println(m3.group(0));//adf132 将find找的的内容全部返回
            System.out.println(m3.group(1));//adf    将find找的的内容第一个分组内匹配到的数据
            System.out.println(m3.group(2));//132    将find找的的内容第二个分组匹配到的数据
        }
    }
    //替换
    @Test
    public void demo04(){
        //分组匹配
        Pattern p = Pattern.compile("([0-9])");
        Matcher m4 = p.matcher("adf132**adf465**fjf13");
        String newStr = m4.replaceAll("#");
        System.out.println(newStr);//adf###**adf###**fjf##
    }
    //分割
    @Test
    public void demo05(){
        String str = "adf132**adf465**fjf13";
        String[] strings = str.split("\d+");
        System.out.println(Arrays.toString(strings));//[adf, **adf, **fjf]
    }
}

爬虫demo（获取网易首页全部URL）

package com.zgx.regex;

import org.junit.Test;

import java.io.BufferedReader;
import java.io.IOException;
import java.io.InputStreamReader;
import java.net.MalformedURLException;
import java.net.URL;
import java.nio.charset.Charset;
import java.util.regex.Matcher;
import java.util.regex.Pattern;

public class CrawlerTest {

    /**
     * 获取urlStr对应的网页的源码内容
     * @param urlStr
     * @return
     */
    public static String getURLContent(String urlStr){
        StringBuilder str = new StringBuilder();
        try {
            URL url = new URL(urlStr);
            BufferedReader reader = new BufferedReader(new InputStreamReader(url.openStream(), Charset.forName("gbk")));
            String temp="";
            while ((temp=reader.readLine())!=null){
                str.append(temp);
            }
        } catch (MalformedURLException e) {
            e.printStackTrace();
        } catch (IOException e) {
            e.printStackTrace();
        }
        return str.toString();
    }

    @Test
    public void demo01(){
        String str = getURLContent("http://www.163.com");
        //表达式对象
        Pattern p = Pattern.compile("href="(.+?)"");
        Matcher m = p.matcher(str);
        while (m.find()){
            System.out.println(m.group(1));
        }
    }
}

正则表达式语法

1、普通字符

字母、数字、汉字、下划线、以及没有特殊意义的标点符号都是“普通字符”。表达式中的普通字符，在匹配一个字符串的时候，匹配与之相同的一个字符。

2、简单的转义字符

字符	含义
	代表换行符
	制表符
	代表本身
^,$,.,(,),{,},?,+,*,|,[,]	匹配这些字符本身

3、标准字符集合（注意区分大小写，大写是相反的意思）

字符	含义
d	任意一个数字，0-9中的任意一个
w	任意一个字母或数字或下划线，也就是a-zA-Z0-9_中任意一个
s	包括空格、制表符、换行符、等空白字符中其中任意一个
.	小数点表示任意一个字符 但不能匹配换行符

注：D是指一个非数字

4、自定义字符集合

[]方括号匹配方式，能够匹配方括号中任意一个字符

字符	含义
[ab5@]	匹配“a”，“b”，“5”，“@”
[f-k]	匹配“f”-“k”之间的任意一个字母
[^ f-k]	^在方括号里面表示取反

注：特殊符号被包含在中括号中就失去了特殊意义，除了^和-
标准字符集合除小数点外，如果被包含于中括号中，自定义字符集合就将包含该集合
[d.-+]将匹配：数字、小数点、+-

5、量词

字符	含义
{n}	表达式重复n次
{m,n}	表达式至少重复m次，最多重复n次
{m,}	表达式至少重复m次
？	匹配表达式0次或者1次，相当于{0,1}
+	匹配表达式至少出现1次相当于{1,}
*	表达式不出现或者出现任意次相当于{0,,}

匹配次数中的贪婪模式（匹配字符越多越好，默认！）
匹配次数中的非贪婪模式（匹配字符越少越好，修饰匹配次数的特殊符号后再加上一个“？”号）

6、字符边界（匹配的不是字符而是位置）

字符	含义
^	与字符串开始的地方匹配
$	与字符串结束的地方匹配
	匹配一个单词边界

7、正则表达式的匹配模式

• IGNORECASE忽略大小写模式
  • 匹配时忽略大小写。
  • 默认情况下，正则表达式是要区分大小写的。
• SINGLELINE单行模式
  • 真个文本看做一个字符串，只有一个开头，一个结尾。
  • 使用小数点“.”可以匹配包含换行符（ ）在内的任意字符。
• MULTILINE多行模式
  • 每行都是一个字符串，都有开头和结尾
  • 在指定了MULTILINE之后，如果需要进匹配字符串开始和结束位置，可以使用A和

8、选择和分组

表达式	作用
|分支结构	左右两边表达式之间“或”关系，匹配左边或者右边
()捕获组	（1）在被修饰匹配次数的时候，括号中的表达式可以作为整体被修饰
	（2）取匹配结果的时候，括号中的表达式匹配到的内容可以被单独得到~~~~
	（3）每一对括号会被分配一个编号，使用（）的捕获根据左括号的顺序从1开始自动编号。捕获元素为零的第一个捕获是由整个正则表达式模式匹配的文本
(?:Expression)	一些表达式中，不得不使用（），但又不需要保存（）中子表达式匹配的内容，这时可以用非捕获组来抵消使用（）带来的副作用

反向引用（ nn）
每一对()会分配一个编号，使用()的捕获根据左括号的顺序从1开始自动编号。
通过反向引用，可以对分组已捕获的字符串进行引用。

9、预搜索（零宽断言）

字符	含义
?=exp	断言自身出现的位置的后面能匹配表达式exp
?<=exp	断言自身出现的位置的前面能匹配表达式exp
?!exp	断言此位置的后面不能匹配表达式exp
?<!exp	断言此位置的前面不能匹配表达式exp