转载:java正则表达式非捕获组详解

    这几天看了下正则表达式，对非捕获组(non-capturing)进行下总结。
    

     在API中定义如下：

 

Special constructs (non-capturing)

(?:X)	X, as a non-capturing group
(?idmsux-idmsux)	Nothing, but turns match flags id m su x on - off
(?idmsux-idmsux:X)	X, as a non-capturing group with the given flags i dm s ux on - off
(?=X)	X, via zero-width positive lookahead
(?!X)	X, via zero-width negative lookahead
(?<=X)	X, via zero-width positive lookbehind
(?<!X)	X, via zero-width negative lookbehind
(?>X)	X, as an independent, non-capturing group

 这里主要介绍：(?:X) (?=X) (?<=X) (?!X) (?<!X)
 
一、先从(?:)非捕获组说起。
下面由一个例子引出非捕获组。
有两个金额：8899￥ 和 6688$ 。显然，前一个是8899元的人民币，后一个是6688元的美元。我现在需要一个正则，要求提炼出它们的货币金额和货币种类。正则可以这写：(\\d)+([￥$])$  (在java中测试，所以多了转义字符'\')
测试程序如下：
[java] view plaincopy

01. Pattern p = Pattern.compile("(\\d+)([￥$])$"); 
02.      String str = "8899￥"; 
03.      Matcher m = p.matcher(str); 
04.      if(m.matches()){ 
05.       System.out.println("货币金额: " + m.group(1)); 
06.       System.out.println("货币种类: " + m.group(2)); 
07.      }  
 

输出结果为：
 货币金额: 8899
 货币种类: ￥
 
OK,满足了要求。这里的正则分成了两个组，一个是(\\d+)，一个是([￥$])，前一个组匹配货币金额，后一个组匹配货币种类。
 
现在，我需要这个正则可以匹配浮点数。如8899.56￥。我们都知道，现在少于一元钱基本上买不到东西了，所以我希望忽略小数部分，正则还是提炼出 8899 和 ￥。那么正则如下：
 [code="java"] (\\d+)(\\.?)(\\d+)([￥$])$ [/code]
这里用括号分了四组，所以要输出货币金额的整数部分和货币种类，要分别输了group(1),group(4)了。如果输出部分和正则是分开的，我希望只修改正则而不去修改输出部分的代码，也就是还是用group(1)，group(2)作为输出。由此可以引出非捕获组(?:)。
 把前面的正则修改为：
 [code="java"] (\\d+)(?:\\.?)(?:\\d+)([￥$])$ [/code]
 这样，还是用group(1),group(2)做为输出，同样输出了 8899 和 ￥
 这个正则的中间两个组用到的就是非捕获组（?:），它可以理解为只分组而不捕获。
 
二、(?=)和(?<=)
有的资料把它们叫做肯定式向前查找和肯定式向后查找；有的资料也叫做肯定顺序环视和肯定逆序环视。
1、姑且不理它们的名称，看下面的例子：

[java] view plaincopy

01. Pattern p = Pattern.compile("[0-9a-z]{2}(?=aa)"); 
02.    String str = "12332aa438aaf"; 
03.   
04.    Matcher m = p.matcher(str); 
05.    while(m.find()){ 
06.          System.out.println(m.group()); 
07.    } 
 

 

这段程序输出32 38
这个正则的意思是：匹配这么一个字符串，它要满足：是两位字符（数字，或字母），且后面紧跟着两个a。
分析一下：
32aa  这个子串 满足这个条件，所以可以匹配到，又因为 (?=) 的部分是不捕获的，所以输出的只是 32，不包括aa。同理 38aa 也匹配这个正则，而输出仅是 38。
 
再深入看一下:
当str第一次匹配成功输出 32 后，程序要继续向后查找是否还有匹配的其它子串。那么这时应该从 32aa 的后一位开始向后查找，还是从 32 的后一位呢？也就是从索引 5 开始还是从 7 开始呢？有人可能想到是从 32aa 的下一位开始往后找，因为 32aa 匹配了正则，所以下一位当然是它的后面也就是从 4 开始。但实际上是从 32 的后一位也就是第一个 a 开始往后找。原因还是 (?=) 是非捕获的。
查阅API文档是这么注释的：
 
(?=X) X, via zero-width positive lookahead
 
可见zero-width（零宽度）说的就是这个意思。
 
现在，把字符串写的更有意思些：str = "aaaaaaaa";
 看一下它的输出： aa aa aa
 分析一下：
 这个字符串一共有8个a。
 第一次匹配比较容易找到，那就是前四个：aaaa ,当然第三和第四个 a 是不捕获的，所以输出是第一和第二个a；
 接着继续查找，这时是从第三个a开始，三到六，这4个a区配到了，所以输出第三和第四个a；
 接着继续查找，这时是从第五个a开始，五到八，这4个a区配到了，所以输出第五和第六个a；
 接着往后查找，这时是从第七个a开始，显然，第七和第八个a,不满足正则的匹配条件，查找结束。
 我们再延伸一下，刚说的情况的是(?=)放在捕获的字符串后面，它如果放在前面又是什么结果呢？
例子换成：

 
[java] view plaincopy

01. Pattern p = Pattern.compile("(?=hopeful)hope"); 
02.     String str = "hopeful"; 
03.     Matcher m = p.matcher(str); 
04.     while(m.find()){ 
05.       System.out.println(m.group()); 
06.     }  
 

它的输出是hope。
正则的意思是：是否能匹配hopeful,如果能，则捕获hopeful中的hope。当然继续向后查找匹配的子串，是从f开始。
比较一下可以看出，(?=hopeful)hope 和 hope(?=ful),两个正则的效果其实是一样的。
 
2、下面说一下 (?<=)
把正则改一下，
Pattern p = Pattern.compile("(?<=aa)[0-9a-z]{2}");
字符串还是str = "12332aa438aaf";
它的输出：43。

 
这个正则的意思是：匹配这么一个字符串，它要满足：是两位字符（数字或字母），且前面紧跟的是两个字母 a 。
 
同样，深入一下，把str换成str = "aaaaaaaa";看一下输出是什么，同样也是：aa aa aa
 分析一下：
 第一次匹配不用说，是前四个a，输出的是第三和第四个a;
 继续向后查找，从第五个a开始，程序发现，第五个和第六个a满足，因为是两位字符，且满足前面紧跟着两个a(第三和第四个a)。所以匹配成功，输出第五个和第六个a;
 继续向后查找，从第七个a开始，程序发现，第七个和第八个a满足，因为是两位字符，且满足前面紧跟着两个a(第五和第六个a)。所以匹配成功，输出第七和第八个a。查找结束。
 
三、(?!)和(?<!)
 从外观上看，和前面一组很相似，区别就是把 ‘=’ 换成了 ‘!’
 那么意义刚好也是相反的。
 [0-9a-z]{2}(?!aa)    意思是：匹配两个字符，且后面紧跟着的不是aa
 (?<!aa)[0-9a-z]{2}  意思是：匹配两个字符，且前面紧跟着的不是aa
 用法和前面讲的差不多，这里不再详述。