正则表达式深度解析

作者 : 开心源码 本文共10101个字,预计阅读时间需要26分钟 发布时间: 2022-05-12 共113人阅读

我开发了一款正则表达式测试器,想学习正则表达式又苦恼繁琐的测试不妨可以试一下

正则表达式(regular expression)是一种可以在许多现代应使用程序和编程语言中用的特殊形式的代码模式。可以用它们来验证输入能否符合给定的文本模式,在一大段文字中查找该模式的文本,使用其它文原本替换匹配该模式的文本或者者重新组织匹配文本的一部分,把一块文本划分成一系列更小的文本

正则表达式通常使用于两种任务:1.验证,2.搜索/替换。使用于验证时,通常需要在前后分别加上和$,以匹配整个待验证字符串;搜索/替换时能否加上此限定则根据搜索的要求而定,此外,也有可能要在前后加上\b而不是和$。此表所列的常使用正则表达式,除个别外均未在前后加上任何限定,请根据需要,自行解决

元字符

正则表达式之所以拥有巨大的魔力,就是由于有12个标点字符才产生的

$ ( ) * + . ? [ \ ^ { |

它们被称作元字符,假如想要在下正则表达式中匹配它们,那么就需要在它们前面使用一个反斜杠\来进行转义。特别应该注意的是在这个列表中并不包含右方括号]、连字符-和右花括号},前两个字符只有在它们位于一个没有转义的[之后才成为元字符,而}只有在一个没有转义的{之后才是元字符。在任何时候都没有必要对}进行转义

在Java里面,要匹配反斜杠\,需要用“\\”,由于在字符串里面不允许出现单个反斜杠\,所以“\”表示一个反斜杠,“\\”才能正确匹配到反斜杠\

用正则记号<\Q>和<\E>。<\Q>会抑制所有元字符的含义,直到出现<\E>为止。假如漏掉了<\E>,那么在<\Q>之后直到正则表达式结束之前的所有字符都会被当作字符文原本对待。所以上面的正则表达式可以使用如下代码匹配

Pattern p = Pattern.compile("\\Q$()*+.?[\\^{|\\E");Matcher m = p.matcher("$()*+.?[\\^{|");

匹配单个字符

除了元字符之外,匹配单个字符直接用对应的字符来匹配,当然也有少量特殊的字符,如匹配一个包含ASCII控制字符的字符串:响铃、退出、换页、换行、回车、水平制表符和垂直制表符,对应的地十六进制ASCII分别是:07、1B、0C、0A、0D、09、0B

x字符 x\\反斜线字符\0n带有八进制值 0 的字符 n (0 <= n <= 7)\0nn带有八进制值 0 的字符 nn (0 <= n <= 7)\0mnn带有八进制值 0 的字符 mnn(0 <= m <= 3、0 <= n <= 7)\xhh带有十六进制值 0x 的字符 hh\uhhhh带有十六进制值 0x 的字符 hhhh\t制表符 ('\u0009')\n新行(换行)符 ('\u000A')\r回车符 ('\u000D')\f换页符 ('\u000C')\a报警 (bell) 符 ('\u0007')\e转义符 ('\u001B')\cx对应于 x 的控制符

匹配字符类

用的方括号[]的表示法被称作是一个字符类(character class)。一个字符类匹配在一个可能的字符列表中的单个字符,预约义字符类

.任何字符(与行结束符可能匹配也可能不匹配)\d数字:[0-9]\D非数字: [^0-9]\s空白字符:[ \t\n\x0B\f\r]\S非空白字符:[^\s]\w单词字符:[a-zA-Z_0-9]\W非单词字符:[^\w]

在字符类之外,上面的12个标点字符是元字符。在一个字符类中,只有其中4个字符拥有特殊功能:\、^、-和]。(也就是说,在字符类里面,除了那4个特殊字符,其它的字符都不需要用转义符。)假如用的是Java或者者是.NET,那么左方括号[在字符类也是一个元字符,所有的其它字符都是字面量,只是把它们自身加入到了字符类中

点号是最古老也是最简单的正则表达式特性之一。它的含义永远是匹配任意单个字符。点号是最经常被滥使用的正则表达式特性,最好只有当你的确想要允许出现任意字符是地,才用点号,而在任何场合,都应当用一个字符类或者者能否定字符类来实现

在.NET、Java、PCRE、Perl、Python中,<(?s)>是使用于“点号匹配换行符”模式的模式修饰符

反斜杠总是会对紧跟其后的字符进行转义,这与它在字符类之外的作使用一样。被转义的字符可以是单个字符,也可以是一个范围的开始或者结束。另外4个元字符只有当它们被放置在特定位置时才拥有特殊含义。在用中总是对这些元字符进行转义会使你的正则表达式更加容易让人了解

[abc]a、b 或者 c(简单类)[^abc]任何字符,除了 a、b 或者 c(否定)[a-zA-Z]a 到 z 或者 A 到 Z,两头的字母包括在内(范围)[a-d[m-p]]a 到 d 或者 m 到 p:[a-dm-p](并集)[a-z&&[def]]d、e 或者 f(交集)[a-z&&[^bc]]a 到 z,除了 b 和 c:[ad-z](减去)[a-z&&[^m-p]]a 到 z,而非 m 到 p:[a-lq-z](减去)

字母数字字符则不能用反斜杠来转义

假如紧跟着左括号后面是一个脱字符(^),那么就会对整个字符类取否。也就是就它会匹配不属于该字符类列表中的任意字符。一个否定字符类会匹配换行符号,除非把换行也加入到否定字符类中

连字符(-)被放在两个字符之间的时候就会创立一个范围。该范围所组成的字符类包含连字符之前的字符、连字符之后的字符,以及按照字母表顺序位于这两个字符之间的所有字符

<\d>和<[\d]>都会匹配单个数字,每个小写的简写都拥有一个相关联的大写简定字符,其含义正好相反。因而<\D>会匹配不是数字的任意字符,所以同<[^\d]>是等价的

<\w>会匹配单个的单词字符(word character),所谓的单词字符指的是能够出现在一个单词中的字符,这包括了字母、数字和下划线。<\W>则会匹配不属于上述字符集合中的任意字符。在Java、JavaScript、PCRE和Ruby中,<\w>总是和<[a-zA-Z0-9_]>的含义完全相同,而在.NET和Perl中,会包含其它字母表(泰语等)的字母和数字

<\s>匹配任意的空白字符,其中包括了空格、制表符和换行符。在.NET、Perl和JavaScript中,<\s>也会匹配杜撰Unicode标准定义这空白号的字符。在JavaScript中对于<\s>用的是Unicode,对<\d>和<\w>则用ASCII标准。<\S>会匹配<\s>不能匹配的任意字符

量词

当我们要匹配的正则表达式里面有一部分重复屡次时,比方说匹配手机号或者固话时,我们可以用量词来进行匹配固定次数或者不定次数的重复

如下面的例子:匹配一个10位的十进制数,可以用如下正则表达式

Matcher m = Pattern.compile("\\d{10}").matcher("0123456789");while (m.find()) {    System.out.println(m.group());}

运行结果为

0123456789

正则表达式中的数量词有Greedy (贪心)量词、Reluctant(懒惰)量词和Possessive(占有)量词三种

首先来看一个贪心量词

X?X,一次或者一次也没有X*X,零次或者屡次X+X,一次或者屡次X{n}X,刚好 n 次X{n,}X,至少 n 次X{n,m}X,至少 n 次,但是不超过 m 次

量词<{n}>,其中n是一个正整数,使用来重复之前的正则记号n次

对于固定次数的重复,用量词<{n}>。<{1}>这样和没有任何量词是等价的,<ab{1}c>和<abc>是等价的,<{0}>是重复之前的记号0次,<ab{0}c>和<ac>是同样的正则表达式

对于可变次数重复,我们用量词<{n,m}>,其中n是一个正整数,并且m大于n,至少 n 次,但是不超过 m 次。对于可变次数重复的情形,其中所有选择分析重复的顺序就会产生影响。假如n和m是相等的,那就是固定次数的重复

量词<{n, }>,其中n是一个正整数,支持无限次数重复。<\d{1,}>匹配一个或者多个数字,<\d+>也一样,在一个不是量词的正则记号之后增加一个“+”,意味着一次或者屡次;<\d{0,}>匹配零个或者多个数字,<\d>也一样,“”意味着0次或者屡次。<h?>与<h{0,1}>的效果是一样的,在一个合法和完整的非量词正则记号之后的“?”意味着0或者1次

量词还可以嵌套。<(e\d+)?>会匹配一个e之后跟着一个或者是多个数字,或者者是一个长度为0的匹配

Reluctant(懒惰)量词和Possessive(占有)量词与Greedy (贪心)量词基本语法相似

Reluctant 数量词

X??X,一次或者一次也没有X*?X,零次或者屡次X+?X,一次或者屡次X{n}?X,刚好 n 次X{n,}?X,至少 n 次X{n,m}?X,至少 n 次,但是不超过 m 次

Possessive 数量词

X?+X,一次或者一次也没有X*+X,零次或者屡次X++X,一次或者屡次X{n}+X,刚好 n 次X{n,}+X,至少 n 次X{n,m}+X,至少 n 次,但是不超过 m 次

在贪心量词后面加上一个问号“?”可以使任何量词变为懒惰量词;同理在贪心量词后面加上一个加号“+”可以使任何量词变为占有量词。下面来讲一下几种量词的区别:

greedy量词是最常使用的,被看作“贪婪的”,由于它第一次就读入整个被模糊匹配的字符串。假如第一个匹配尝试(整个输入字符串)失败,匹配器就会在被匹配字符串中的最后一位后退 一个字符并且再次尝试,重复这个过程,直到找到匹配或者者没有更多剩下的字符可以后退为止。根据表达式中用的量词,它最后试图匹配的内容是1 个或者者0个字符。由于总是从最大匹配开始匹配,故称贪婪

reluctant量词采取相反的方式:它们从被匹配字符串的开头开始,而后逐渐地一次读取一个字符搜索匹配,直到找到匹配或者将整个字符串吞入。由于总是从最小匹配开始,故称懒惰

possessive量词总是读完整个输入字符串,尝试一次(而且只有一次)匹配。和greedy量词不同,possessive从不后退

贪心量词会找到最长的可能匹配,懒惰量词则会找到最短的可能匹配,两者都会进行回退,但是占有量词不进行回退

用如下代码进行验证

System.out.println("Greedy贪心量词");Matcher m = Pattern.compile("1.*a").matcher("12a34abc");while (m.find()) {    System.out.println(m.group());}System.out.println("Reluctant懒惰量词");Matcher m1 = Pattern.compile("1.*?a").matcher("12a34abc");while (m1.find()) {    System.out.println(m1.group());}System.out.println("Possessive占有量词");Matcher m2 = Pattern.compile("1.*+a").matcher("12a34abc");while (m2.find()) {    System.out.println(m2.group());}

得到的结果为

Greedy贪心量词12a34aReluctant懒惰量词12aPossessive占有量词

分组与边界匹配器

首先我们来看一个问题,匹配My cat is brown中的cat,但是不会匹配category或者是bobcat,看下面的正则表达式

Matcher m = Pattern.compile("\\bcat\\b").matcher("My cat is brown");while (m.find()) {    System.out.println(m.group());}

运行结果为

cat

在上面的正则表达式里面,我们用到了单词边界匹配器

^行的开头$行的结尾\b单词边界\B非单词边界\A输入的开头\G上一个匹配的结尾\Z输入的结尾,仅使用于最后的结束符(假如有的话)\z输入的结尾

正则表达式记号<\b>被称作是一个单词边界,它会匹配一个单词的开始或者结束,就它自身而言,所产生的一个长度为0的匹配。

严格来讲,<\b>会匹配如下3种位置:

  • 在目标文本的第一个字符之前,假如第一个字符是单词字符

  • 在目标文本的最后一个字符之后,假如最后一个字符是单词字符

  • 在目标文本的两个字符之间,其中一个是单词字符,而另外一个不是单词字符

<\B>会匹配在目标文本中的<\b>不匹配的第一个位置。换句话说,<\B>会匹配不属于单词开始或者结束的每一个位置。

单词字符就是可以在单词中出现的字符。

JavaScript、PCRE和Ruby只把ASCII字符看做是单词字符。<\w>因而与<[a-zA-z0-9]>是完全等同的;.NET和Perl把所有语言字母表中的字母和数字都当作单词字符;Python则为你提供了一个选项,只有在创立正则表达式时传递了UNICODE或者是U选项,非ASCII的字符才会被包括起来;Java则体现得不是很一致,<\w>只匹配ASCII字符,但是<\b>则是支持Unicode的,因而可以支持任何字母表。

正则表达式中的记号<^>,<$>,<\A>,<\Z>和<\z>被称为定位符(anchor),它们并不匹配任意字符。事实上,它们匹配的特定的位置,也就是说把正则表达式这些位置来进行匹配。

JavaScript不支持<\A>。定位符<>和<\A>是等价的,前提是不能打开“和$匹配换行处”这个选项。对于除了Ruby之外的所有其它正则表达式流派来说,该选项都是默认关闭的。除非用JavaScript,一般都推荐用<\A>。<\A>的含义问题保持不变的,因而可以避免因为正则选项设置而造成的混淆或者错误。

.NET、Java、PCRE、Perl、Ruby同时支持<\Z>和<\z>,Python只支持<\Z>,JavaScript则根本不提供对<\Z>和<\z>的支持。<\Z>和<\z>的唯一区别是当目标文本的最后一个字符是换行符的时候,在这种情形下,<\Z>可以匹配到目标文本的最结尾处,也就是在最后的换行符之后 的位置,同时也可以匹配紧跟这个换行符之前的位置;<\z>则只会匹配目标文本的最末尾处,因而假如存在一个多余的换行符,那么它无法匹配。

定位符<$>和<\Z>是等价的,前提是不能打开“^和$匹配换行处”这个选项。对于除了Ruby之外的所有其它正则表达式流派来说,该选项都是默认关闭的

逻辑运算符

当匹配多个选择分支时,如匹配Mary,Jane and Sue went to Mary’s house中的Mary,Jane或者Sue,用的正则表达式为

Matcher m = Pattern.compile("Mary|Jane|Sue").matcher("Mary,Jane and Sue went to Mary’s house ");while (m.find()) {    System.out.println(m.group());}

执行结果为

MaryJaneSueMary

竖线,或者是称作管道符号,会把正则表达式拆分成多个选择分支,每个只会匹配一个名字,但是每次却可以匹配不同的名字

正则表达式里面的逻辑运算符如下表表示

XYX  后跟 YX|YX  或者 Y(X)X,作为捕获组

上面的正则表达式还有以下问题:在匹配的过程中会匹配DJanet中的Jane。如下面的的正则表达式所示

Matcher m = Pattern.compile("Mary|Jane|Sue").matcher("Mary,Jane and Sue went to Mary’s house DJanet");while (m.find()) {    System.out.println(m.group());}

执行结果为

MaryJaneSueMaryJane

这个时候,可能会想到之前用到的单词边界匹配器,把正则表达式修改一下,增加单词边界匹配

Matcher m = Pattern.compile("\\bMary|Jane|Sue\\b").matcher("Mary,Jane and Sue went to Mary’s house DJanet");while (m.find()) {    System.out.println(m.group());}

执行结果为

MaryJaneSueMaryJane

执行结果有也不是我们想要的答案,上面的正则表达式写法上面有问题,应该写成下面这样

Matcher m = Pattern.compile("\\bMary\\b|\\bJane\\b|\\b Sue\\b").matcher("Mary,Jane and Sue went to Mary’s house DJanet");

“|”在所有正则操作符中拥有最低的优先级。假如想要正则表达式中的少量内容不受替代操作影响的话,那么就需要把这些选择分支进行分组,分组是通过圆括号来实现的,括号拥有在所有正则操作符中的最高优先级

Matcher m = Pattern.compile("\\b(Mary|Jane|Sue)\\b").matcher("Mary,Jane and Sue went to Mary’s house DJanet");while (m.find()) {    System.out.println(m.group());}

执行结果为

MaryJaneSueMary

一组圆括号不仅仅是一个分组,它还是一个捕获分组,正则表达式\b(\d\d\d\d)-(\d\d)-(\d\d)\b拥有三个捕获分组,分组是按照左括号的顺序从左到右进行编号的,(\d\d\d\d)、(\d\d)、(\d\d)分别为3个分组

分组分为捕获性分组和非捕获性分组,简单的说捕获性分组就是捕获分组所匹配的内容暂且存储在某个地方,以便下次用,捕获性分组以(…)表示,有些地方将获得捕获性分组所匹配结果的过程称之为”反向引使用”,非捕获性分组不捕获分组所匹配的内容,当然也就得不到匹配的结果,非捕获性分组以(?:…)表示,在少量只要要分组匹配但是并不需要得到各个分组匹配的结果时,用非捕获性分组可以提高匹配速度

在匹配过程中,当正则表达式引擎到达右括号而退出分组的时候,它会把该捕获分组所匹配到的文本的子串存储起来。当我们匹配2008-08-05时,2008被保存到第一个捕获中,08在第2个捕获中,而05则在第3个捕获中

用\b\d\d(\d\d)-\1-\1\b可以匹配像2008-08-08这样的日期(年减去世纪、月份和该月的天数都是相同的数字),在这个正则表达式中,我们用反向引使用来在该正则表达式中的任何地方匹配相同的文本。可以用反斜杠之后跟一个单个数字(19)来引使用前9个捕获分组,而第(1099)则要用\10~\99

注意,不要用\01。它或者者是一个八进制的转义,或者者会产生一个错误。在JavaScript中此正则表达式还会匹配12—34。由于在JavaScript中,对一个还没有参加匹配的分组的反向引使用总是会匹配成功,这同捕获了长度为0的匹配的分组的反向引使用是一样的

特殊字符

^匹配输入字符串开始处的位置,但在中括号表达式中用的情况除外,在那种情况下它对字符集求反。若要匹配 ^ 字符本身,请用 \^$匹配输入字符串结尾的位置。假如设置了 RegExp 对象的 Multiline 属性,那么 $ 还匹配 \n 或者 \r 前面的位置。若要匹配 $ 字符本身,请用 \$( )标记子表达式的开始和结束。可以捕获子表达式以供以后用。若要匹配这两个字符,请用 \( 和 \)*零次或者屡次匹配前面的字符或者子表达式。若要匹配 * 字符,请用 \*+一次或者屡次匹配前面的字符或者子表达式。若要匹配 + 字符,请用 \+.匹配除换行符 \n 之外的任何单个字符。若要匹配 .,请用 \.[ ]标记中括号表达式的开始。若要匹配这些字符,请用 \[ 和 \]?零次或者一次匹配前面的字符或者子表达式,或者指示“非贪心”限定符。若要匹配 ? 字符,请用 \?\将下一字符标记为特殊字符、文本、反向引使用或者八进制转义符。例如,字符 n 匹配字符 n。\n 匹配换行符。序列 \\ 匹配 \,序列 \( 匹配 (/表示文本正则表达式的开始或者结束。若要匹配 / 字符,请用 \/{ }标记限定符表达式的开始。若要匹配这些字符,请用 \{ 和 \}|指出在两个项之间进行选择。要匹配 |,请用 \|

优先级

\转义符(), (?:), (?=), []括号和中括号*, +, ?, {n}, {n,}, {n,m}限定符^, $, \任何元字符、任何字符定位点和序列|替换

匹配

//String类中的匹配public boolean matches(String regex)//Pattern类中的匹配public static boolean matches(String regex, CharSequence input)

切割

//普通切割,假如没有匹配的则返回第一条数据,为原来的数据public String[] split(String regex)

//切割并限制个数public String[] split(String regex, int limit)

替换

//替换匹配到的第一次public String replaceFirst(String regex, String replacement)

//替换匹配的一律内容public String replaceAll(String regex, String replacement)

获取

需要使用到Pattern和Matcher类,将规则封装成表达式

Pattern pattern = Pattern.compile(String regex);

根据字符串获取表达式的匹配器对象

Matcher matcher = pattern.matcher(CharSequence input);

进行查找,与迭代器的模式类似

while (matcher.find()) {    System.out.println("获取匹配到的内容" + matcher.group());    System.out.println("该内容在字符串中的起始位置" + matcher.start());    System.out.println("该内容在字符串中的结束位置" + matcher.end());}

占位符

首先看一个案例

String regex1 = "(.{1})(\\d{2})";System.out.println("18123241314520"        .replaceAll(regex1, "$1----$2    "));

//输出1----81    2----32    4----13    1----45    20

$n使用来匹配表达式中第n个()里的内容,$1代表(.{1})匹配的内容,$2代表(\d{2})匹配的内容

匹配中文

Java中要匹配中文的正则表达式可以有两种写法:一是用unicode中文码;二是直接用汉字字符

[u4E00-u9FA5]汉字[^x00-xff]双字节字符[uFE30-uFFA0]全角字符

常使用的正则表达式

网址(URL)[a-zA-z]+://[^\s]*IP地址(IP Address)((2[0-4]\d|25[0-5]|[01]?\d\d?)\.){3}(2[0-4]\d|25[0-5]|[01]?\d\d?)电子邮件(Email)\w+([-+.]\w+)*@\w+([-.]\w+)*\.\w+([-.]\w+)*QQ号码[1-9]\d{4,}HTML标记(包含内容或者自闭合)<(.*)(.*)>.*<\/\1>|<(.*) \/>密码(由数字/大写字母/小写字母/标点符号组成,四种都必有,8位以上)(?=^.{8,}$)(?=.*\d)(?=.*\W+)(?=.*[A-Z])(?=.*[a-z])(?!.*\n).*$日期(年-月-日)(\d{4}|\d{2})-((0?([1-9]))|(1[1|2]))-((0?[1-9])|([12]([1-9]))|(3[0|1]))日期(月/日/年)((0?[1-9]{1})|(1[1|2]))/(0?[1-9]|([12][1-9])|(3[0|1]))/(\d{4}|\d{2})时间(小时:分钟, 24小时制)((1|0?)[0-9]|2[0-3]):([0-5][0-9])汉字(字符)[\u4e00-\u9fa5]中文及全角标点符号(字符)[\u3000-\u301e\ufe10-\ufe19\ufe30-\ufe44\ufe50-\ufe6b\uff01-\uffee]中国大陆固定电话号码(\d{4}-|\d{3}-)?(\d{8}|\d{7})中国大陆手机号码1[356789]\d{9}中国大陆邮政编码[1-9]\d{5}中国大陆身份证号(15位或者18位)\d{15}(\d\d[0-9xX])?非负整数(正整数或者零)\d+正整数[0-9]*[1-9][0-9]*负整数-[0-9]*[1-9][0-9]*整数-?\d+小数(-?\d+)(\.\d+)?

说明
1. 本站所有资源来源于用户上传和网络,如有侵权请邮件联系站长!
2. 分享目的仅供大家学习和交流,您必须在下载后24小时内删除!
3. 不得使用于非法商业用途,不得违反国家法律。否则后果自负!
4. 本站提供的源码、模板、插件等等其他资源,都不包含技术服务请大家谅解!
5. 如有链接无法下载、失效或广告,请联系管理员处理!
6. 本站资源售价只是摆设,本站源码仅提供给会员学习使用!
7. 如遇到加密压缩包,请使用360解压,如遇到无法解压的请联系管理员
开心源码网 » 正则表达式深度解析

发表回复