Java Regular Expressions Syntax

一、正则表达式语法

1.1.字符

x    字符 x。例如a表示字符a

\\    反斜线字符。在书写时要写为\\\\。（注意：因为java在第一次解析时把\\\\解析成正则表达式\\，在第二次解析时再解析为\，所以凡是不是1.1列举到的转义字符，包括1.1的\\,而又带有\的都要写两次）

\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

1.2.字符类

[abc]    a、b或 c（简单类）。例如[egd]表示包含有字符e、g或d。

[^abc]    任何字符，除了 a、b或 c（否定）。例如[^egd]表示不包含字符e、g或d。

[a-zA-Z]    a到 z或 A到 Z，两头的字母包括在内（范围）

[a-d[m-p]]    a到 d或 m到 p：[a-dm-p]（并集）

[a-z&&[def]]    d、e或 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）

1.3.预定义字符类(注意反斜杠要写两次，例如\d写为\\d)

.    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]

1.4.POSIX 字符类（仅 US-ASCII)(注意反斜杠要写两次，例如\p{Lower}写为\\p{Lower})

\p{Lower}    小写字母字符：[a-z]。

\p{Upper}    大写字母字符：[A-Z]

\p{ASCII}    所有 ASCII：[\x00-\x7F]

\p{Alpha}    字母字符：[\p{Lower}\p{Upper}]

\p{Digit}    十进制数字：[0-9]

\p{Alnum}    字母数字字符：[\p{Alpha}\p{Digit}]

\p{Punct}    标点符号：!"#$%&'()*+,-./:;<=>?@[\]^_`{|}~

\p{Graph}    可见字符：[\p{Alnum}\p{Punct}]

\p{Print}    可打印字符：[\p{Graph}\x20]

\p{Blank}    空格或制表符：[ \t]

\p{Cntrl}    控制字符：[\x00-\x1F\x7F]

\p{XDigit}    十六进制数字：[0-9a-fA-F]

\p{Space}    空白字符：[ \t\n\x0B\f\r]

1.5.java.lang.Character 类（简单的 java 字符类型）

\p{javaLowerCase}    等效于 java.lang.Character.isLowerCase()

\p{javaUpperCase}    等效于 java.lang.Character.isUpperCase()

\p{javaWhitespace}    等效于 java.lang.Character.isWhitespace()

\p{javaMirrored}    等效于 java.lang.Character.isMirrored()

1.6.Unicode 块和类别的类

\p{InGreek}    Greek 块（简单块）中的字符

\p{Lu}    大写字母（简单类别）

\p{Sc}    货币符号

\P{InGreek}    所有字符，Greek 块中的除外（否定）

[\p{L}&&[^\p{Lu}]]     所有字母，大写字母除外（减去）

1.7.边界匹配器

^    行的开头，请在正则表达式的开始处使用^。例如：^(abc)表示以abc开头的字符串。注意编译的时候要设置参数MULTILINE，如 Pattern p = Pattern.compile(regex,Pattern.MULTILINE);

$    行的结尾，请在正则表达式的结束处使用。例如：(^bca).*(abc$)表示以bca开头以abc结尾的行。

\b    单词边界。例如\b(abc)表示单词的开始或结束包含有abc,（abcjj、jjabc 都可以匹配）

\B    非单词边界。例如\B(abc)表示单词的中间包含有abc,(jjabcjj匹配而jjabc、abcjj不匹配)

\A    输入的开头

\G    上一个匹配的结尾(个人感觉这个参数没什么用)。例如\\Gdog表示在上一个匹配结尾处查找dog如果没有的话则从开头查找,注意如果开头不是dog则不能匹配。

\Z    输入的结尾，仅用于最后的结束符（如果有的话）

行结束符 是一个或两个字符的序列，标记输入字符序列的行结尾。

以下代码被识别为行结束符：

‐新行（换行）符 ('\n')、

‐后面紧跟新行符的回车符 ("\r\n")、

‐单独的回车符 ('\r')、

‐下一行字符 ('\u0085')、

‐行分隔符 ('\u2028') 或

‐段落分隔符 ('\u2029)。

\z    输入的结尾

当编译模式时，可以设置一个或多个标志，例如

Pattern pattern = Pattern.compile(patternString,Pattern.CASE_INSENSITIVE + Pattern.UNICODE_CASE);

下面六个标志都是支持的：

‐CASE_INSENSITIVE：匹配字符时与大小写无关，该标志默认只考虑US ASCII字符。

‐UNICODE_CASE：当与CASE_INSENSITIVE结合时，使用Unicode字母匹配

‐MULTILINE：^和$匹配一行的开始和结尾，而不是整个输入

‐UNIX_LINES： 当在多行模式下匹配^和$时，只将'\n'看作行终止符

‐DOTALL: 当使用此标志时，.符号匹配包括行终止符在内的所有字符

‐CANON_EQ: 考虑Unicode字符的规范等价

1.8.Greedy 数量词

X?    X，一次或一次也没有

X*    X，零次或多次

X+    X，一次或多次

X{n}    X，恰好 n 次

X{n,}    X，至少 n 次

X{n,m}    X，至少 n 次，但是不超过 m 次

1.9.Reluctant 数量词

X??    X，一次或一次也没有

X*?    X，零次或多次

X+?    X，一次或多次

X{n}?    X，恰好 n 次

X{n,}?    X，至少 n 次

X{n,m}?    X，至少 n 次，但是不超过 m 次

1.10.Possessive 数量词

X?+    X，一次或一次也没有

X*+    X，零次或多次

X++    X，一次或多次

X{n}+    X，恰好 n 次

X{n,}+    X，至少 n 次

X{n,m}+    X，至少 n 次，但是不超过 m 次

Greedy，Reluctant，Possessive的区别在于:(注意仅限于进行.等模糊处理时)

greedy量 词被看作“贪婪的”，因为它第一次就读入整个被模糊匹配的字符串。如果第一个匹配尝试（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，直到找到匹配或者没有更多剩下的字符可以后退为止。根据表达式中使用的量词，它最后试图匹配的内容是1 个或者0个字符。

但是，reluctant量词采取相反的方式：它们从被匹配字符串的开头开始，然后逐步地一次读取一个字符搜索匹配。它们最后试图匹配的内容是整个输入字符串。

最后，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。


1.11.Logical 运算符

XY    X 后跟 Y

X|Y    X 或 Y

(X)    X，作为捕获组。例如(abc)表示把abc作为一个整体进行捕获

1.12.Back 引用

\n    任何匹配的 nth捕获组

捕获组可以通过从左到右计算其开括号来编号。例如，在表达式 ((A)(B(C)))中，存在四个这样的组：

1        ((A)(B(C)))

2        \A

3        (B(C))

4        (C)

在表达式中可以通过\n来对相应的组进行引用，例如(ab)34\1就表示ab34ab，(ab)34(cd)\1\2就表示ab34cdabcd。

1.13.引用

\    Nothing，但是引用以下字符

\Q    Nothing，但是引用所有字符，直到 \E。QE之间的字符串会原封不动的使用(1.1中转义字符的除外)。例如, ab\\Q{|}\\\\E

可以匹配ab{|}\\

\E    Nothing，但是结束从 \Q开始的引用

1.14.特殊构造（非捕获）

(?:X)    X，作为非捕获组

(?idmsux-idmsux)     Nothing，但是将匹配标志由 on 转为 off。比如：表达式 (?i)abc(?-i)def 这时，(?i) 打开不区分大小写开关，abc 匹配

idmsux说明如下：

‐i CASE_INSENSITIVE :US-ASCII 字符集不区分大小写。(?i)

‐d UNIX_LINES : 打开UNIX换行符

‐m MULTILINE :多行模式(?m)

UNIX下换行为\n

WINDOWS下换行为\r\n(?s)

‐u UNICODE_CASE : Unicode 不区分大小写。(?u)

‐x COMMENTS :可以在pattern里面使用注解，忽略pattern里面的whitespace，以及"#"一直到结尾（#后面为注解）。(?x)例如(?x)abc#asfsdadsa可以匹配字符串abc

(?idmsux-idmsux:X)     X，作为带有给定标志 on - off 的非捕获组。与上面的类似，上面的表达式，可以改写成为：(?i:abc)def，或者 (?i)abc(?-i:def)

(?=X)    X，通过零宽度的正 lookahead。零宽度正先行断言，仅当子表达式 X 在 此位置的右侧匹配时才继续匹配。例如，\w+(?=\d) 表示字母后面跟数字，但不捕获数字（不回溯）

(?!X)    X，通过零宽度的负 lookahead。零宽度负先行断言。仅当子表达式 X 不在 此位置的右侧匹配时才继续匹配。例如，\w+(?!\d) 表示字母后面不跟数字，且不捕获数字。

(?<=X)    X，通过零宽度的正 lookbehind。零宽度正后发断言。仅当子表达式 X 在 此位置的左侧匹配时才继续匹配。例如，(?<=19)99 表示99前面是数字19，但不捕获前面的19。（不回溯）

(?<!X)    X，通过零宽度的负 lookbehind。零宽度负后发断言。仅当子表达式 X 不在此位置的左侧匹配时才继续匹配。例如，(?<!19)99 表示99前面不能是19，且不捕获前面的东东。

(?>X)    X，作为独立的非捕获组（不回溯）

(?:X)与(?>X)的区别在于(?>X)是不回溯的。例如被匹配的字符串为abcm，当表达式为a(?:b|bc)m是可以匹配的，而当表达式是a(?>b|bc)m时是不能匹配的，因为当后者匹配到b时，由于已经匹配，就跳出了非捕获组，而不再次对组内的字符进行匹配。可以加快速度。
下面这段代码，只输出abm而不会输出abcm。当表达式为a(?:b|bc)m时可以输出abcm。

Pattern pattern = Pattern.compile("a(?>b|bc)m");
		
Matcher m = pattern.matcher("abcmkfabm");
while(m.find()){
	System.out.println(m.group());
}

说明：回溯算法的基本思想是：从一条路往前走，能进则进，不能进则退回来，换一条路再试。
二、例子
1.

/**
 * 以非字母和数字作为分隔符，输出数据
 * @param input
 */
public static void testSplit(String input){
	//\p{name}: 一个指定的字符类
	//Punct :非字母或数字ASCII [\p{Print}&&\P{Alnum}] 
	Pattern pattern = Pattern.compile("\\s*\\p{Punct}\\s*");
	if(input ==null || input ==""){
		input = "begin | test { split 123456 }00end";
	}
	String[] tokens = pattern.split(input);
	for(String str:tokens){
		System.out.println(str);
	}
}

2.

/**
 * in:给定模式((1?[0-9]):([0-5][0-9]))[ap]m，并且输入11:59am out:Match ((11):(59))am
 */
public static void testGroupMatch() {
	Scanner in = new Scanner(System.in);
	System.out.println("Enter pattern: ");
	String patternString = in.nextLine();

	Pattern pattern = null;
	try {
		pattern = Pattern.compile(patternString);
	} catch (PatternSyntaxException e) {
		System.out.println("Pattern syntax error");
		System.exit(1);
	}

	while (true) {
		System.out.println("Enter string to match: ");
		String input = in.nextLine();
		if (input == null || input.equals(""))
			return;
		Matcher matcher = pattern.matcher(input);
		if (matcher.matches()) {
			System.out.println("Match!");
		int g = matcher.groupCount();// 获得总的分组数
			if (g > 0) {
				for (int i = 0; i < input.length(); i++) {
					for (int j = 1; j <= g; j++) {// 第0个分组代表所有的分组，第一个实际分组的索引是1。
						if (i == matcher.start(j)) {// 此位置是分组的起始
							System.out.print('(');
						}
					}
						System.out.print(input.charAt(i));
					for (int j = 1; j <= g; j++) {
							if (i + 1 == matcher.end(j)) {// 下一个位置是分组的结束
								System.out.print(')');
						}
					}
				}
				System.out.println();
			}
		} else
			System.out.println("No match");
	}
}

3.

	/**
	 * This program displays all URLs in a web page by matching
	 * a regular expression that describes the <a href=...> HTML tag. 
	 * @param urlString
	 */
	public static void testHrefMatch(String urlString) {
		if (urlString == null || urlString == "") {
			urlString = "http://java.sun.com";
		}
		try {
			InputStreamReader in = new InputStreamReader(new URL(urlString)
					.openStream());
			StringBuilder input = new StringBuilder();
			int ch;
			while ((ch = in.read()) != -1) {
				input.append((char) ch);
			}
			String patternString = "<a\\s+href\\s*=\\s*(\"[^\"]*\"|[^\\s>])\\s*>";
			Pattern pattern = Pattern.compile(patternString,
					Pattern.CASE_INSENSITIVE);
			Matcher matcher = pattern.matcher(input);
			while (matcher.find()) {
				int start = matcher.start();
				int end = matcher.end();
				String match = input.substring(start, end);
				System.out.println(match);
			}

		} catch (Exception e) {
			e.printStackTrace();
		}
	}

评论

1 楼 regular 2009-12-26  

嗯，受教了。谢谢！