《Java核心技术卷二》笔记（三）正则表达式

正则表达式语法

一个正则表达式描述了字符串的构成规则（模式）。如果一个具体的字符串正好符合正则表达式描述的这个规则，这个字符串就是与表达式匹配的。先看一下怎么描述这种规则，也就是正则表达式语法。正则表达式类似于前面文章中的glob模式，但更加复杂和强大。

此处只列出常用的语法，更复杂的可以查正则表达式的详细资料。

正则表达式的构成元素：

• 字符
  • 普通字符             与该字符自身匹配
  • \unnnn\xnn  \0n   \0nn  \0nnn        十六进制或十进制码元代表的字符
  • \t  \n  \r  \f  \a  \e       控制字符：制表符，换行符，回车符，换页符，警告符，逃逸符
  • \cc          与字符c相关的控制符
• 字符类  
  • [c1c2c3...]        任何由ci表示的字符。 Ci可以是多个字符，或字符范围a-z A-Z 0-9，或其他字符类，（包含-字符本身时必须是第一项或最后一项，包含[字符时必须是第一项，包含^字符时不能作为第一项，只需要转义\和]）。
  • [^...]       字符集的补集
  • [...&&...]     两个字符集的交集
• 预定义字符类
  • .         除了行终止符之外的所有字符（DOTALL标识被设置时，表示包括行终止符在内的所有字符）
  • \d     数字，等效于[0-9]
  • \D     非数字，等效于[^0-9]
  • \s      空白字符，等效于[ \t\n\r\f\x0B]
  • \S     非空白字符
  • \w     词语字符，等效于[a-zA-Z0-9]
  • \W    非词语字符
  • \p{name}     命名字符类，name有以下值
    • Lower    ASCII小写字母[a-z]
    • Upper   ASCII大写字母[A-Z]
    • Alpha    ASCII字母[a-zA-Z]
    • Digit     ASCII数字[0-9]
    • Alnum   ASCII字母或数字[0-9a-zA-Z]
    • XDight   十六进制数字
    • Print|Graph  ASCII可打印字符[\x21-\x7E]
    • Punct    标点，即可打印的非字母非数字符号[\p{print}&&\P{Alnum}]
    • ASCII   所有ASCII[\x00-\x7F]
    • Cntrl   ASCII控制字符[\x00-\x1F]
    • Blank   空格字符或制表位[ \t]
    • Space   空白字符[ \t\n\r\f\0x0B]
    • javaLowerCase    Character.isLowerCase()确定的字符
    • javaUpperCase    Character.isUpperCase()确定的字符
    • javaWhiteSpace   Character.isWhitespace()确定的字符
    • javaMirrored    Character.isMirrored()确定的字符
    • Inxxxx    Unicode某个字符块中字符，xxxx是剔除空格后的字符块的名字，如Arrows, Latin1Supplement
    • Isxxxx    Unicode某个脚本字符，xxxx是剔除空格后的脚本名称，如Common
    • yyyy|Inyyyy    Unicode某个类别中字符，yyyy是类别名字，如L：字母，Sc：货币符号
    • Iszzzz     Unicode某个属性的字符（Alphabetic, Ideographic, Letter, LowerCase, Uppercase, Titlecase, Punctuation, Control, White_space,Digit, Hex_Digit, Noncharater_Code_point, Assigned）
  • \P{name}     命名字符类的补集
• 边界匹配字符
  • ^   $      输入的开头和结尾，如果设置多行模式则为行的开头和结尾
  • \b      词的边界
  • \B     非词的边界
  • \A     输入开头
  • \z      输入的结尾
  • \Z     除了行终止符之外的输入结尾
  • \G     前一个匹配的结尾
• 量词
  • X?     X可出现0次或1次（有没有都行）
  • X*     X可以出现0到无限次
  • X+     X可以出现1到无限次
  • X{n}   X{n,}   X{n,m}    X必须出现n次，n到无限次，n到m次
• 量词后缀
  • ?       将默认匹配转变为勉强匹配。
  • +      将默认匹配转变为占有匹配
• 集合操作
  • XY    X的匹配后跟着Y的匹配
  • X|Y   任何X或Y的匹配
• 群组
  • (X)    将X子表达式定义为群组，捕获群组匹配的字符串，群组的编号基于1，按左括号的顺序算，群组0代表匹配的所有字符
  • \n      反向引用第i个群组捕获的字符串。
• 转义和其他
  • \
  • \Q...\E   逐字地引用...
  • (?...)    特殊结构

量词的匹配模式

• 默认模式：可匹配成功的最多重复次数；      [a-z]*b+ => caabb
• ? 勉强匹配：匹配最小的重复次数；              [a-z]*?b+ => caabb
• + 占用/贪婪匹配：匹配最大重复次数，即使后续的匹配会失败。    [a-z]*+b+ => caabb   b+匹配失败

Java中使用正则表达式

正则表达式用到Pattern，Matcher等类，String等类中也有方法可以快捷的使用正则表达式。正则表达式的字符串输入参数类型为CharSequence接口（CharArray, CharBuffer, String, StringBuffer, StringBuilder）

Pattern

• • static Pattern compile(String regex)

  static Pattern compile(String regex, int flags)    多个flags为相加，如Pattern.compile(regexStr, Pattern.DOTALL+Pattern.MULTILINE)。常用标识如下

  • CASE_INSENSITIVE    忽略大小写
  • UNICODE_CASE   与 CASE_INSENSITIVE组合时，使用Unicode字母的大小写匹配
  • MULTILINE     ^,$匹配行的开头和结尾而不是整个输入的开头和结尾
  • UNIX_LINES    多行模式时，行终止符为\n
  • DOTALL      '.'符合匹配所有字符，包括行终止符
  • CANON_EQ    考虑Unicode字符规范的等价性，不懂。。。
  • static String quote(String s)     预处理正则表达式字符串，取消所有特殊字符的意义并按普通字符匹配，返回处理后的表达式，（加\Q\E）
  • String pattern()/toString()
  • int flags()   返回模式匹配标识
  • Matcher matcher(CharSequence input)    创建一个可以处理匹配的Matcher类
  • static boolean matches(String regex, CharSequence input)     返回整个input字符串是否和regex匹配
  • String[]  split(CharSequence input, int limit)     以满足this正则表达式的字符串为分隔字符将输入字符串切分，  limit表示需要切成几段（要切成n段，只需要切n-1次），limit为0表示全切，为1实际上不会切。
  • String[]  spilt(CharSequence input)

Matcher

• • boolean matches()    输入字符串是否和Pattern正则表达式匹配整体匹配
  • boolean lookingAt()  输入字符串的开头部分是否匹配
  • boolean find()    尝试查找下一个匹配，如果找到了另一个匹配返回true，否则返回false。查找成功后，使用start,end,group等方法获取匹配信息。
  • boolean find(int start)  从字符串指定的偏移位置处开始查找下一个匹配
  • int start()    当前匹配的开始索引位置
  • int end()    当前匹配的结尾的后一个索引位置
  • String group()  返回当前匹配的子字符串， 等价group(0)
  • int groupCount()  返回群组的数量，（不算群组0,，即整个匹配字符串）
  • int start(int groupIdx)  返回某个群组的开始位置
  • int end(int groupIdx)    返回某个群组结尾的后一个索引位置
  • String group(int groupIdx)  返回某个群组捕获的字符串
  • String group(String name)    返回命名群组捕获的字符串
  • String replaceAll(String replacement)    replacement中可以包含$n表示对群组的引用，\$表示$字符
  • String replaceFirst(String replacement)
  • static String quoteReplacement(String s)   预处理替代字符串（\\和$前面添加\\），使特殊字符按普通字符匹配
  • Matcher reset()    复位状态，可以重头在查找匹配
  • Matcher reset(CharSequence input)   切换输入字符串并复位状态
  • Matcher usePattern(Pattern newPattern)   切换模式
  • Matcher appendReplacement(StringBuffer sb, String replacement)   这两个appendxxx方法组合使用，替换时结果直接存入StringBuffer中
  • StringBuffer appendTail(StringBuffer sb)

  String   类中也提供了支持使用正则表达式的便捷方法

• • boolean matches(String regex)
  • String replaceFirst(String regex, String replacement)
  • String replaceAll(String regex, String replacement)
  • String[] split(String regex, int limit)
  • String[] split(String regex)