Java的正则表达式

http://blog.chenzuhuang.com/archive/12.html

在之前接触到一些问题，我都面对着难以处理一个成分非常复杂字符串的问题。之后一点点地接触到了正则表达式。本文将用JAVA语言简单地描述了一下正则表达式。正则表达式不局限于语言，在很多语言都能用的，关键是同学们对正则表达式的上手入门。

正则表达式具有强大的字符串处理能力，广泛用于web开发等等，现在许多语言，如Perl、Python、php和JavaScript，都支持正则表达式。正则表达式是对字符串规定的一种逻辑公式，换句话说，就是用事先定义好的一些特定字符、及这些特定字符的组合，组成一个“规则字符串”，这个是“规则字符串”用来表达对字符串的一种过滤逻辑。比如正则表达式\d{1,3}\.\d{1,3}\.\d{1,3}\.\d{1,3} 用来匹配IPv4地址的，\d表示0-9的整数，{1,3}表示最少一个最多3个，\.就是中间那个点，因为.在正则表达式里面有特殊含义，所以如果要表示文本里的内容含有.，则需要加一个反斜杠。这个正则表达式就给出了一个逻辑公式，来表示符合这种规则的所有字符串。

一、正则表达式用处

给定一个正则表达式和另一个字符串，我们可以达到如下的目的：

1. 给定的字符串是否符合正则表达式的过滤逻辑（称作“匹配”）；

2. 可以通过正则表达式，从字符串中获取（或者替换）我们期望的特定部分。

正则表达式的特点是：

1. 灵活性、逻辑性和功能性非常的强；

2. 可以迅速地用极简单的方式达到字符串的复杂控制。

3. 对于刚接触的人来说，比较晦涩难懂。

下面举个例子，来简单说明一下正则表达式的的用途之一：

现在需要分析web服务器日志文件，确定每一个互联网访客的IP地址以及统计每一个访客的访问时间。现在我手上有一段Apache 日志文件，其中日志记录的格式如下：

66.249.73.207 – – [19/Dec/2013:04:00:03 +0800] “GET /robots.txt HTTP/1.1″ 200 441 “-” “Mozilla/5.0 (compatible; Googlebot/2.1; +http://www.google.com/bot.html)”

119.147.146.195 – – [19/Dec/2013:09:40:59 +0800] “GET / HTTP/1.1″ 200 13094 “-” “Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1; SV1; .NET CLR 2.0.50727; MAXTHON 2.0)”

175.0.171.109 – – [19/Dec/2013:09:41:27 +0800] “GET / HTTP/1.1″ 200 15124 “-” “Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/30.0.1599.101 Safari/537.36″

现在，我要从这个日志文件需要提取的内容有两项：IP地址和页面访问时间（红色部分）。如果不知道要用正则表达式的话，单纯采用字符串类提供的方法（函数）来提取每个访客的IP地址和访问时间，可想而知是很复杂。而如果用正则表达式的话，现在只需要构造出一个适当的正则表达式：”(\d{1,3}\.\d{1,3}\.\d{1,3}\.\d{1,3})\s-\s-\s\[([^\]]+)\]“，则可以利用Pattern类和Matcher类方便地将每一个访客的IP地址、访问时间信息都取出来，省事多了。

二、正则表达式的简单认识

1.句点符：

如果你要在一段很长的字符串中找出三个连续字符，假设这三个字符是以a开头，z结尾，中间为任意字符，即“a*z”形式的。那么需要构造”a.z”这样一个正则表达式，它能匹配单词“abz”“ayz”“a%z”“a#z”等等。句点符号“.”，是通配符，可以匹配除 “\n” 之外的任何单个字符。（若要匹配包括 ‘\n’ 在内的任何字符，请使用像‘[.\n]‘ 的模式）。

2.方括号符号：

如果用句点符来匹配的话，匹配到的字符范围过于广泛；很多时候我们需要获取特定的字符，比如26个英文字母、数字0~9等特定范围。为了解决句点符号匹配范围过于广泛这一问题，你可以在方括号（“[]”）里面指定有意义的字符。此时，只有方括号里面指定的字符才参与匹配。比方说，正则表达式“c[au]t”匹配“cat”和“cut”。为什么不是匹配caut呢？因为在方括号之内只能匹配单个字符。在给几个例子，”[a-z]“匹配单个a-z的小写字母，”[0-9]“匹配单个0-9之间的数字，”[a-z][a-z][a-z]“匹配三个连续字母。

3.或符号：

在上一点方括号符号的介绍基础下，如果还想要匹配“caut”，那么你可以使用“|”操作符。“|”操作符的基本意义就是“或”运算。要匹配“caut”，使用“c(a|u|au)t”正则表达式。这里不能使用方扩号，因为方括号只允许匹配单个字符；这里必须使用圆括号“()”。此外，圆括号还可以用来分组，具体下文有讲。

4.表示匹配次数的符号

下面是表示匹配次数的符号，这些符号用来确定紧靠该符号左边的符号出现的次数：

* 匹配前面的子表达式(或者一个字符,下同)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” 中的”do” 。? 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’。

例如要在一个字符串中匹配出QQ号，则需要构造正则表达式：”[0-9]{6,10}”，表明有6-10位数的QQ号。由于[0-9]等价于\d,所以也能写成”\d{6,10}”.(下文有说)

又例如要在一个字符串中匹配出一个电话号码（如0731-1234567或07311234567），则需要构造正则表达式”/d{4}-?/d{7}”，因为“-”有可能不存在，所以需要加个“?”，这个正则表达式能匹配两种格式的电话号码（0731-1234567或07311234567）。

5.否符号

否符号为“^”。如果用在方括号内，“^”表示不想要匹配的字符。例如，正则表达式”[^x][a-z]*”匹配除了以“X”字母开头以外的所有单词。

6.空白符号

\s为空白符，匹配所有的空白字符，包括空格、Tab字符。例如正则表达式”June\s\d{1,2}”匹配的是June月份的日期，如“June 21”, “June 4”等等。注意不能写成”June空格\d{1,2}”。

7.圆括号符号

回到文章开头举的那个从web服务器日志文件中提取访客IP和访问时间的例子。观察正则表达式”(\d{1,3}\.\d{1,3}\.\d{1,3}\.\d{1,3})\s-\s-\s\[([^\]]+)\]”，里面加了两对圆括号，作用是将圆括号里面的数据作为一组，里面有两对圆括号，意味着有两组。在JAVA里，可以用public String java.util.regex.Matcher.group(int i)方法来获得第i组的内容，i==0时是整个匹配出来的内容，i==1才是第一个圆括号里的内容，i==2则是第二组，第二对圆括号里的内容。

8.其他常用符号

\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 匹配包括下划线的任何单词字符。等价于’[A-Za-z0-9_]‘。

\W 匹配任何非单词字符。等价于 ‘[^A-Za-z0-9_]‘

$ 匹配到结尾

^[\u2E80-\u9FFF]+$ 匹配所有东亚区的文字

^[\u4E00-\u9FFF]+$ 匹配简体和繁体中文

^[\u4E00-\u9FA5]+$ 匹配简体中文

后话

在Java JDK 1.4或更新版本中，Java自带了支持正则表达式的包，（java.util.regex包）。

在java中，与regex有关的包，并不都能理解和识别反斜线字符(\)，尽管可以试试看。但为避免这一点，即为了让反斜线字符(\)在模式对象中被完全地传递，应该用双反斜线字符(\\)。此外圆括号在正则表达中两层含义，如果想让它解释为字面上意思(即圆括号)，也需要在它前面用双反斜线字符“\\(”。写代码时，你可以首先输入未经转义处理的正则表达式，然后从左到右依次把每一个“\”替换成“\\”。谨慎起见，建议每写一个复杂一点的正则表达式都要测试一次，免得你正在写的程序的代码写多了之后，忽略了这个可能存在的错误，后果不堪设想，调bug真的会调死人的。

我贴上一段代码简单示范用法：

运行结果：

/****************************************************************************************************/

66.249.73.207 – – [19/Dec/2013:04:00:03 +0800]

66.249.73.207

19/Dec/2013:04:00:03 +0800

564923716

/****************************************************************************************************/

此外，JAVA中还有很多方法涉及到正则表达式的，例如常用的分割字符串方法String[] String.split(String regex)，替换字符串的方法public String replaceAll (String regex， String replacement)和public String replaceFirst(String regex， String replacement).

本文用JAVA语言简单地描述了一下正则表达式。正则表达式不局限于语言，在很多语言都能用的，关键是同学们对正则表达式的上手入门。