java 正则表达式的使用Pattern和Matcher

约定不等于承诺〃 2022-03-20 05:38 207阅读 0赞

正则式，正则表达式，多行匹配，不以某某开头，不区分大小写，2个单元的或操作  \]

1 多行匹配   
2 不以某某开头 ，比如不以www开头   
3 不区分大小写   
4 2个单元的或操作，比如 www | 3w 都可以这种

火龙果回答：

**1：多行匹配**   
  
在默认的情况下 . 是不能匹配行结束符的（行结束符有 6 个，具体的可以看看 Pattern 的 API DOC）   
同样，可以像不匹配大小写匹配那样使用编译参数：和.DOTALL   
  
如果还得区分大小写的话，还得加上上面说到的 Pattern.CASE\_INSENSITIVE 这个，举个例子：

import java.util.regex.Matcher;  
import java.util.regex.Pattern;public class Test \{  
  
    public static void main(String\[\] args) \{  
        String str =   
                "<table>                \\n" +  
                " <tr>                 \\n" +  
                "    <td>               \\n" +  
                "       Hello World!    \\n" +  
                "    </td>              \\n" +  
                " </tr>                \\n" +  
                "</table>";  
        String regex = "<td>(.+?)</td>";  
        Pattern pattern = Pattern.compile(regex);  
        Matcher matcher = pattern.matcher(str);  
        while(matcher.find()) \{  
            System.out.println(matcher.group(1).trim());  
        \}          
    \}  
\}

上面这个是不能从 str 抽取出东西的，因为 td 的后面带有换行符，我们只要更改一下：   
  
Pattern pattern = Pattern.compile(regex, Pattern.DOTALL);   
  
这样就行了，如果 td 还得不区分大小写的话，再改成：

Pattern pattern = Pattern.compile(regex, Pattern.DOTALL | Pattern.CASE\_INSENSITIVE);

这样的话，td 哪怕是大写的这个表达式都能把 td 之间的字符区抽取出来。   
  
当然和 Pattern.CASE\_INSENSITIVE 一样，Pattern.DOTALL 也有内嵌标志表达式，即 (?s)   
s 的意思表示 single-line 就是忽略换行符什么的，只看成单行进行处理。   
  
这个表达式使用内嵌 (?s) 的话可以改为：

String regex = "(?s)<td>(.+?)</td>";  
  
如果还要不区分大小写的话，再加上 i 标志：  
String regex = "(?s)(?i)<td>(.+?)</td>";  
  
但这样显得很拖沓，可以把它们合并起来：  
String regex = "(?is)<td>(.+?)</td>";    // 秩序无所谓

最后需要说明一下的是，我曾看到过由于不明白 DOTALL，为了让 . 匹配行结束符，直接把表达式写成：

String regex = "<td>((.|\\\\s)+?)</td>";

这样做是极其危险的，由于选择结构的匹配效率问题，这样做在比较长的字符串时会造成堆栈溢出，   
使程序崩溃，如果使用 DOTALL 或者 (?s) 的话就不会出现这种情况。

**2：不以某某开头 ，比如不以www开头**   
public class Test \{  
  
    public static void main(String\[\] args) \{  
        String\[\] strs = \{  
                "abc1232", "wwwadsf",  
                "awwwfas", "wwadfsf",  
                "", "ww", " ", "www"  
            \};  
        String regex = "(?:(?!^www).)\*";  
        for(String str : strs) \{  
            System.out.printf("%-7s %s%n", str, str.matches(regex));  
        \}  
    \}  
\}

(?!X) 专业名称为 Negative Lookahead，表示字符间缝隙后面不允许出现的字符，   
即匹配字符间的缝隙，如果缝隙后的字符不是 X 的话，那这个缝隙就匹配成功。   
  
举个例子，aab 和 aac，现有表达式 aa(?!b) 这时我们能匹配到的字符串是 aac，   
因为 aa 的后面的缝隙之后不允许出现字符 b，因此只有 aac 进行了匹配。   
  
再来看个示例：   
public class Test \{  
    public static void main(String\[\] args) \{  
        String str = "AQuickBrownFoxJumpsOverTheLazyDog";  
        String\[\] strs = str.split("(?<!^)(?=\[A-Z\])");  
        for(String s : strs) \{  
            System.out.println(s);  
        \}  
    \}  
\}

根据大写字母拆分字符串。当然了，这个使用字符串进行分析同样也能进行拆分，   
但是使用正则表达式来拆的话更为便捷直观一些。   
  
在进行这种拆分时，由于在拆分后的字符数不能减少，因此只能使用零宽度的   
lookaround 功能进行匹配，lookaround 包括四个，即：

(?=X) (?!X) (?<=X) (?<!X)

来看一下这个表达式：(? <!^)(?=\[A-Z\])   
  
前面说到过 (?!) 表示缝隙后面不允许出现的东西，而 (? <!) 表示缝隙前不允许出现的东西。   
(?=) 表示缝隙后允许出现的东西，(? <=) 表示缝隙前允许出现的东西。   
  
这个表达式在拆分时，根据零宽度匹配缝隙进行拆分的，这个缝隙必须满足以下条件：   
  
(? <!^) 表示缝隙不允许前不能是行开始，即缝隙不能出现在首字母的前面。   
(?=\[A-Z\]) 表示缝隙后面允许出现 A-Z 的大写字母。   
  
这时这个表达式就匹配了下面带有 | 的缝隙：

根据 split 的功能，正则表达式处理程序就根据上面的 | 将字符串给拆分开来了。   
  
  
**3，不区分大小写**   
不加任何限制的匹配是匹配分大小写的，但是正则表达式中可以进行改变，   
有两种方式：参数式和内嵌式。   
  
来看个示例：

import java.util.regex.Matcher;  
import java.util.regex.Pattern;public class Test \{  
  
    public static void main(String\[\] args) \{          
        String str = "Book";  
        Pattern pattern = Pattern.compile("book");  
        Matcher matcher = pattern.matcher(str);  
        System.out.println(matcher.matches());  
    \}  
\}

上面的这个表达式 book 是不能匹配字符串 Book 的，这时我们只要给定编译时的参数就可以了：   
  
Pattern pattern = Pattern.compile("book", Pattern.CASE\_INSENSITIVE);   
  
Pattern.CASE\_INSENSITIVE 这是一个 int 类型的常量，值为 2。表示表达式忽略大小写进行区配。   
  
如果我们不采用 Pattern 和 Matcher 两个类来匹配的话，只是使用 String 的 matches 方法的话，   
我们就不能指定表达式的编译参数了，这时就需要采用内嵌标志表达式了，与 Pattern.CASE\_INSENSITIVE   
对应的内嵌标志表达式是 (?i)，它有四种形式：   
1，(?i)   
2，(?-i)   
3，(?i:X)   
4，(?-i:X)   
不带有 - 的是开标志，带有 - 的是关标志。   
  
把上面的代码改成这样：

public class Test \{  
  
    public static void main(String\[\] args) \{          
        String str = "Book";  
        String regex = "(?i)book";  
        System.out.println(str.matches(regex));  
    \}  
\}

我们就达到了同样的效果，当然这样并不是最好的，因为字符串中只有 B 是大写的，   
我们没有必要把所有的字符都进行不区分大小写匹配，我们可以在打开标志，用 (?i) 的   
第二种形式马上关掉它：   
String regex = "(?i)b(?-i)ook";   
  
这样的话，只有 b 是区分大小写了，而 (?-i) 后面的还是得区分大小写匹配的。这样写   
可能看上去很不顺眼，我们还能使用第 3 种形式直接指定某些字符是不区分大小写的。   
String regex = "(?i:b)ook";   
  
这样的表达式与上面的那个在语义上是相同的。就效率上肯定是优于一下子开，一下子关的。   
  
可见内嵌标志表达式要比指定编译参数的功能强大许多。   
  
使用建议：如果能确定某些字符的大小写时，尽量使用已确定的字符，对于不确定的可以采用   
(?i:X) 的方式指定。因此打开不区分大小写开关时，对匹配的性能是有一定影响的。   
  
思考一下：String regex = "(?i)b(?-i:oo)k"; 这个表达式的意思？   
  
  
另外：第 1 和第 4，我没看明白需要了解什么，请在下面的楼层中具体地说明一下。

**4：2个单元的或操作**   
  
| 称为多选结构，用于匹配 | 之中的任何一个，拿你的例子来说明：

import java.util.regex.Matcher;  
import java.util.regex.Pattern;public class Test \{  
  
    public static void main(String\[\] args) \{  
        String str =   
                "<img src=\\"http://www.google.com/1.gif\\"/>\\n" +  
                "<img src=\\"http://3w.google.com/1.gif\\"/>\\n" +  
                "<img src=\\"http://abc.baidu.com/1.gif\\"/>";  
        String regex = "<img\\\\ssrc=\\"http://(?:ww|3)w.google.com/1.gif\\"/>";  
        Pattern pattern = Pattern.compile(regex);  
        Matcher matcher = pattern.matcher(str);  
        while(matcher.find()) \{  
            System.out.println(matcher.group());  
        \}          
    \}  
\}

注意到其中的 (?:ww |3) 在进行多选匹配时尽量找出多选中的规律，以减少多选的字符，   
www 和 3w 在最后一个字符可以共用，前面的不一样。   
  
(?: ) 的意思表示组成一组，如果没有 (?: ) 这样的话，表达式就变成了：

String regex = "<img\\\\ssrc=\\"http://ww|3w.google.com/1.gif\\"/>";

这样的语义完全变掉了， | 是在一组中进行选择，由于上面的那个表达式中没有组，就把整个表   
达式作为了一组，使用 | 的话，就进行了整个表达式的多选结构了。这个表达式的意思是：   
匹配 <img ssrc="http://ww 或者是 3w.google.com/1.gif"/>，这样的结果并不是我们所要的。   
  
我们仅仅需要在 ww 和 3 之间进行选择，这时只要把 ww 和 3 放在一组中进行多选择就可以了，   
变成 (?:ww |3)。   
  
还有，在多选结构中尽量把出现频率高的放在前面，这样可以加快匹配速度。   
  
多选结构的效率在传统型的引擎中是效率低下的，如果是单个字符的选择，比如 a $ & 之中的一个，   
那就不要使用 (?:a |$ |&) 了，可以直接使用字符类 \[a$&\] 就可以了。