JAVA

一文讲透 Java Regex正则表达式！

Posted Cola🌀

转载：一文讲透 Java Regex正则表达式！

正则表达式是一种用于描述字符串模式的工具，它在文本处理、数据验证、搜索和替换等方面有着广泛的应用。这篇文章，我们将分析什么是正则表达式以及它是如何工作的？

什么是正则表达式?

正则表达式（regular expression，常简写为 regex、regexp 或 RE），又称规律表达式、正规表示式、正规表示法、规则运算式、常规表示法，是计算机科学概念，用简单字串来描述、匹配文中全部符合指定格式的字串，現在很多文本编辑器都支援用正则表达式搜寻、取代符合指定格式的字串。

Java Regex是一种用于匹配字符串的模式，它可以用来验证、查找、替换或拆分字符串。Java中的正则表达式由 java.util.regex包提供，主要由 3 个类和 1 个接口组成：

  • Pattern Class：表示正则表达式的编译表示。
  • Matcher Class：用于执行匹配操作的引擎。
  • PatternSyntaxException Class：表示正则表达式语法错误的异常。
  • MatchResult Interface：用于表示匹配操作的结果。

正则表达式组成

Java 正则表达式主要由以下几部分组成：

  • 字符类：用于匹配指定范围内的任意字符。例如[a-z]表示匹配任意小写字母。
  • 预定义字符类：简化的字符类。例如\d表示匹配任意数字，\w表示匹配任意字母、数字或下划线。
  • 量词：用于指定字符或子表达式的重复次数。例如a*表示匹配零次或多次 a，a{2,4}表示匹配 2 到 4 次 a。
  • 边界匹配符：用于匹配字符串的边界。例如^表示匹配字符串的开始，$表示匹配字符串的结束。
  • 分组：用于将多个字符或子表达式组合在一起。例如(abc)表示匹配字符串 “abc”。

下面还列举了一些常见的正则表达式元素：

  • .: 匹配除换行符以外的任意单字符
  • *: 匹配前面的子表达式零次或多次
  • +: 匹配前面的子表达式一次或多次
  • ?: 匹配前面的子表达式零次或一次
  • \d: 匹配一个数字字符，[0-9] 的缩写
  • \D 匹配任何非数字，[^0-9] 的缩写
  • \s 任何空格字符，[\t\n\x0B\f\r] 的缩写
  • \S 任何非空格字符，是 [^\s] 的缩写
  • \w: 匹配一个字母、数字或下划线字符
  • [abc]: 匹配方括号内的任意一个字符
  • ^: 匹配字符串的开始
  • $: 匹配字符串的结束

更多表达式，参考: regexr

Regex 类详解

Matcher

Matcher类实现 MatchResult 接口，它是一个正则表达式引擎，用于对字符序列执行匹配操作。主要包含以下方法：

  • boolean matches()：测试正则表达式是否与模式匹配。
  • boolean find()：找到与模式匹配的下一个表达式。
  • boolean find(int start)：找到与给定起始编号中的模式匹配的下一个表达式。
  • String group()：返回匹配的子序列。
  • int start()：返回匹配子序列的起始索引。
  • int end()：返回匹配子序列的结束索引。
  • int groupCount()：返回匹配子序列的总数。

Pattern

Pattern类是正则表达式的编译版本，用于定义正则表达式引擎的模式。主要包含以下方法：

  • static Pattern compile(String regex)：编译给定的正则表达式并返回 Pattern 的实例。
  • Matcher matcher(CharSequence input)：创建一个匹配器，该匹配器将给定的输入与模式匹配。
  • static boolean matches(String regex, CharSequence input)：它作为编译和匹配器方法的组合工作。它编译正则表达式并将给定的输入与模式匹配。
  • String[] split(CharSequence input)：围绕给定模式的匹配项拆分给定的输入字符串。
  • String pattern()：返回正则表达式模式。

PatternSyntaxException

PatternSyntaxException 类是抛出未经检查的异常，指示正则表达式模式中的语法错误。主要包含以下方法：

  • int getIndex()：检索异常的索引
  • String getDescription()：检索异常的描述信息
  • String getPattern()：检索错误的正则表达式模式

MatchResult

MatchResult接口主要用于匹配操作的结果。此接口包含用于确定与正则表达式匹配的结果的查询方法。匹配边界、组和组边界可以通过。主要包含以下方法：

  • int start()：返回匹配的开始索引
  • int start(int group)：返回本次匹配期间给定组捕获的子序列的起始索引。
  • int end()：返回最后一个匹配字符后的偏移量。
  • int end(int group)：返回本次匹配期间给定组捕获的子序列的最后一个字符后的偏移量。
  • String group()：返回与上一个匹配项匹配的输入子序列。
  • String group(int group)：返回上一次匹配操作期间给定组捕获的输入子序列。
  • int groupCount()：返回此匹配结果模式中的捕获组的数量。

正则使用场景

正则使用场景主要包含以下类型：

  • 输入验证，比如邮箱验证，手机号验证，URL 验证，密码强度验证
  • 文本搜索和替换，比如查找特定模式，替换特定模式
  • 文本拆分，比如按照空白字符拆分字符串
  • 日志和数据解析，比如提取IP地址，提取日期和时间
  • 数据清洗，比如删除HTML标签，格式化字符串
  • 编译器和解释器，比如识别标识符、关键字、操作符等
  • 数据库查询，比如使用 SQL 的 REGEXP 运算符进行复杂的模式匹配查询。
  • 文件名匹配，比如查找所有以 .txt 结尾的文件

除了上面的场景，正则表达式还可以使用到其他的场景，需要根据具体的场景而定。

示例演示

邮箱验证

验证邮箱地址是一个常见的正则表达式应用场景。首先，我们需要一个能够验证邮箱地址的正则表达式。一个常见的用于验证邮箱的正则表达式如下：

^[a-zA-Z0-9._%+-]+@[a-zA-Z0-9.-]+\.[a-zA-Z]{2,}$

该正则表达式的解释如下：

  • ^：匹配字符串的开始。
  • [a-zA-Z0-9._%+-]+：匹配一个或多个字母、数字、点、下划线、百分号、加号或减号。
  • @：匹配@符号。
  • [a-zA-Z0-9.-]+：匹配一个或多个字母、数字、点或减号。
  • \.：匹配一个点。
  • [a-zA-Z]{2,}：匹配两个或更多的字母。
  • $：匹配字符串的结束。

下面是一个完整的 Java示例代码：

import java.util.regex.*;
public class EmailValidator {
    public static void main(String[] args) {
        String emailPattern = "^[a-zA-Z0-9._%+-]+@[a-zA-Z0-9.-]+\\.[a-zA-Z]{2,}$";
        String[] emails = {
            "valid.email@example.com",
            "invalid-email@example",
            "another.valid.email@example.co.uk",
            "invalid.email@.com",
            "valid_email123@example.org"
        };
        
        Pattern pattern = Pattern.compile(emailPattern);
        for (String email : emails) {
            Matcher matcher = pattern.matcher(email);
            boolean isMatch = matcher.matches();
            System.out.println("Email: " + email + " is valid? " + isMatch);
        }
    }
}

运行结果：

Email: valid.email@example.com is valid? true
Email: invalid-email@example is valid? false
Email: another.valid.email@example.co.uk is valid? true
Email: invalid.email@.com is valid? false
Email: valid_email123@example.org is valid? true

在上述代码中：

  • Pattern.compile(emailPattern)：编译正则表达式。
  • pattern.matcher(email)：创建一个匹配器对象，用于匹配给定的邮箱字符串。
  • matcher.matches()：检查整个字符串是否与正则表达式匹配。

拆分字符串

在下面的示例中，正则表达式\s+表示一个或多个空白字符。split方法用于将字符串按匹配的模式拆分为多个部分。

import java.util.regex.*;

public class RegexExample {
    public static void main(String[] args) {
        String pattern = "\\s+";
        String text = "Split this string by spaces.";
        
        Pattern compiledPattern = Pattern.compile(pattern);
        String[] parts = compiledPattern.split(text);
        
        for (String part : parts) {
            System.out.println(part);
        }
    }
}

查找子字符串

在下面示例中，正则表达式\d+表示一个或多个数字字符。find方法用于查找所有匹配的子字符串。

import java.util.regex.*;

public class RegexExample {
    public static void main(String[] args) {
        String pattern = "\\d+";
        String text = "There are 123 apples and 456 oranges.";
        
        Pattern compiledPattern = Pattern.compile(pattern);
        Matcher matcher = compiledPattern.matcher(text);
        
        while (matcher.find()) {
            System.out.println("Found a number: " + matcher.group());
        }
    }
}

总结

正则表达式是一种功能强大且灵活的工具，能够极大地提高字符串处理的效率和精度。正则表达式的技术难度不大，但是很难记忆，而且在输入验证、文本搜索和替换、文本拆分、日志和数据解析、数据清洗、编译器和解释器等应用场景使用比较多。所以，掌握正则表达式还是有很大帮助。