正则表达式入门

1、前言

正则表达式，对大家来说既熟悉又陌生。熟悉是因为工作中有很多场景能用到，比如手机号、邮箱、密码等规则校验。

陌生则是因为正则表达式看上去就是一堆乱码，且一眼看上去很难看懂匹配规则。有时候在网上去找一个特定规则的正则表达式，搜出来的结果各不相同，执行效果更是不尽人意，想自己去修改，感觉也无从下手。

今天就和大家一起来学习正则表达式

2、几个常用规则

1、 完全匹配

正则表达式是用来匹配文本的，现在假设我们要匹配 "abcdefg" 这一字符串中的 "abc" 三个字母，我们该怎么写呢？

abc

对，不要怀疑，就是这么简单。

如果想匹配 "def"，那么就是

def

2、 符号 |

那我们再继续往后看。

还是 "abcdefg" 字符串，我们想匹配其中的 "ab" 和 "ef" 两个子串，怎么写呢？按照上面的写法，就是写两个正则 "ab" 和 "ef" 来匹配。这样可以，不过略显麻烦。我们写法如下：

ab|ef

这里我们新加了 "|" 这个字符，表示 或，即匹配 ab 或者 ef，是不是就方便了许多。

我们在 "acabcdefgh acbbcdefgh accbcdefgh" 字符串中，要匹配 "abcdef"，"bbcdef"，"cbcdef" 三个子串。

这题非常简单，用上面的方法，正则表达式如下：

abcdef|bbcdef|cbcdef

写法正确，不过略显繁琐。我们的写法如下：

(a|b|c)bcdef

3、 符号 []

上面的例子，我们如果不用 "|"，可以实现么？

答案是可以的，写法如下：

ac[abc]bcdef

我们这里引入了一个新的字符 "[]"。

这对中括号是字符集的意思，里面包含的字符，都是或（"|"）的关系。

我们还可以这样写：

ac[a-c]bcdef

"[a-c]" 表示的是匹配 a-c 之间的任意字符。

[] 除了可以放字符集合以及字符范围以外，还可以做取反操作。

比如 "[^a-c]" 表示的是匹配 a-c 范围以外其他的字符。

"[^0-8]" 表示的是匹配 0-8 范围以外的其他字符。

到了这里，我们已经可以写一些简单的匹配规则了。

4、 限制符号 * + ? {}

我们现在想匹配 类似 "fooooooooooooooooof" 这样子的字符串，中间的 "o" 个数我们不能确定，上面讲到的规则就有点无能为力了。

那我们该怎么写呢？

fo*f

这里的 "*" 表示匹配前面的子表达式零次或多次。

如果想匹配至少有一个 "o" 该怎么写呢？

fo+f

这里的 "+" 表示匹配前面的子表达式一次或多次。

如果想匹配 0 个或者者 1 个 该怎么写呢？

fo?f

这里的 "?" 表示匹配前面的子表达式零次或一次。

如果想匹配确定次数的 "o" 该怎么写呢？

fo{2}f

上面的规则，会匹配 foof，即匹配 2 个 "o"。

所以，"{n}" 表示匹配前面子表达式 n 次。

那如果想匹配 最少 n 个，最多 m 个呢？

"{n,m}" 表示匹配前面子表达式至少 n 次，至多 m 次。

所以 "*" 等价于 "{0,}"，"+" 等价于 "{1,}"，"?" 等价于 "{0,1}"。

5、 几个转义字符

在正则表达式里，也有一些转义字符，表示一些特殊的含义。

"\d" 表示匹配数字字符，等价于 "[0-9]"。

"\D" 表示匹配非数字字符，等价于 "[^0-9]"。

"\n" 表示匹配换行符。

"\s" 表示匹配任何空白字符，等价于 "[\f\n\r\t\v]"。

"\S" 表示匹配任何非空白字符，等价于 "[^\f\n\r\t\v]"。

6、 符号 .

符号 "." 会匹配 "\n" 以外的所有字符，也是比较常用的。

7、 符号 ?

不过使用正则表达式时，限制字符 "* + ? {}" 默认的匹配规则是贪婪的。什么意思呢？

比如说有一个字符串 "abbbbb"，我们使用正则表达式 "ab+" 去匹配，匹配的结果是 "abbbbbbb"，会尽可能多的去匹配满足的字符。

我们如果想尽可能少的匹配满足的字符，那么就在限定符后面加 "?"。

"ab+?" 匹配的结果就是 ab。

"?" 符号的非贪婪匹配，在某些情况下也是很有用的。

8、 符号 ()

最后我们再来看一个符号 "()"，小括号的含义是分组，可以理解为被小括号包含的子表达式就是一个分组，在前面介绍 "|" 的时候我们使用过。

不过分组也分很多类型。

"(pattern)" 小括号单纯的包含了子表达式，表示此分组可以被捕获。捕获的意思就是此分组的内容会被保存下来，后续可以从匹配的集合中获取到。

"(?:pattern)" 小括号中增加了 ?: 前缀，表示此分组不可以被捕获。后续匹配的集合中就不会包含此分组信息。

"(?=pattern)" 小括号中增加了 ?= 前缀，表示的是匹配此分组，但是此分组里的内容不需要被获取。

"(?!pattern)" 小括号中增加了 ?! 前缀，表示的是匹配此分组之外的内容，但是此分组里的内容不需要被获取。

举个栗子：

正则表达式 "Windows(?=95|98|NT|2000)" 可以匹配字符串 "Windows2000" 中的 "Windows"，但是不能匹配 "Windows3.1" 中的 Windowds。

正则表达式 "Windows(?!95|98|NT|2000)" 可以匹配字符串 "Windows3.1" 中的 "Windows"，但是不能匹配 "Windows2000" 中的 Windowds。

以上就是正则表达式里一些常见的规则解析。

3、达式中的优先级

普通拼接	abc
括号	(abc)
量词	a*b
多选结构	a|b

正则表达式的优先级

优先级	组合	说明
1	(regex)	整个括号内的字表达式称为单个元素
2	* ? +	限定之前紧邻的元素
3	abc	普通拼接，元素相继出现
4	a	bc	多选结构

注：数字越小，优先级越高。

4、分组

1、概念

正则表达式可以通过”()”来进行分组，更专业的表达就是捕获组，每个完整的”()”可以分为一组，同时，”()”中还可以嵌套”()”，即组之间还可以存在更小的组，以此类推。而编号为0的组，则是正则表达式匹配到的整体，这个规则只要支持正则表达式中捕获组的语言基本上都适用。

2、分组编号

普通捕获组编号规则

如果没有显式为捕获组命名，即没有使用命名捕获组，那么需要按数字顺序来访问所有捕获组。在只有普通捕获组的情况下，捕获组的编号是按照“(”出现的顺序，从左到右，从1开始进行编号的 。

正则表达式分组举例：(\d{4})-(\d{2}-(\d\d))

3、分组捕获

分类	代码/语法	说明
捕获	(exp)	匹配exp,并捕获文本到自动命名的组里
(?<name>exp)	匹配exp,并捕获文本到名称为name的组里，也可以写成(?'name'exp)
(?:exp)	匹配exp,不捕获匹配的文本，也不给此分组分配组号
零宽断言	(?=exp)	匹配exp前面的位置
(?<=exp)	匹配exp后面的位置
(?!exp)	匹配后面跟的不是exp的位置
(?<!exp)	匹配前面不是exp的位置
注释	(?#comment)	这种类型的分组不对正则表达式的处理产生任何影响，用于提供注释让人阅读

4、后向引用

当我们使用小括号指定一个子表达式之后，就要对这个子表达式的文本进行匹配，即此分组捕获的内容，可以在表达式或其它程序中作进一步的处理。一般情况下，每个分组都会自动拥有一个组号，它的规则是：从左到右以分组的左括号作为标志，把第一次出现的分组的组号定为1，第二个即2，以此类推下去。

后向引用用于重复搜索前面某个分组匹配的文本。例如，\1代表分组1匹配的文本。我们根据示例来深刻理解：

\b(\w+)\b\s+\1\b可以用来匹配重复的单词，像go go, 或者kitty kitty。这个表达式首先是一个单词，也就是单词开始处和结束处之间的多于一个的字母或数字(\b(\w+)\b)，这个单词会被捕获到编号为1的分组中，然后是1个或几个空白符(\s+)，最后是分组1中捕获的内容（也就是前面匹配的那个单词）(\1)。

5、匹配示例分析

1、匹配电子邮箱：

"([a-z0-9_.-]+)@([\da-z.-]+).([a-z.]{2,6})"

也是分段来看。

第一段 "([a-z0-9_.-]+)"，表示匹配 a-z 范围内的字母，0-9 范围的数字，以及 "_"，"."，"-" 三个字符，"+" 表示至少有一个字符。

第二段 "@" 表示匹配 "@" 字符。

第三段 "([\da-z.-]+)"，"\d" 表示匹配任意数字，a-z 范围的字母，"."，"-" 两个字符，"+" 至少有一个字符。

第四段 "." 表示匹配 "." 字符。

第五段 "([a-z.]{2,6})"，表示匹配 a-z 范围的字母，"." 字符，"{2,6}" 表示至少 2 个字符，至多 6 个字符。

6、代码中使用

1、使用java原生api

在 Java 中，关于正则表达式的主要有两个类，Pattern 和 Matcher。

import java.util.regex.Matcher;

import java.util.regex.Pattern;



public class ReTest {     

    /**

     * 如果pattern是固定的，尽量写成静态的，编译一次，\

       不要每次调用都重新编译

 */

    static Pattern r = Pattern.compile( "boy ([ 0-9 ]) " ) ;

    

    public static void main(String[] args) {

        String str = "grilboy1girlboy2boy3girl";

        // 创建 matcher 对象

        Matcher m = r.matcher(str);

        while (m.find()) {

            // 第0个分组代表匹配的整体

            System.out.println("match boy: " + m.group(0));

            System.out.println("match boy number: " + m.group(1));

        }

    }

}

java代码里写的正则表达式，如果pattern是固定的，尽量写成静态的，编译一次，不要每次调用都重新编译

上面代码运行的结果如下：

match boy: boy1

match boy number: 1

match boy: boy2

match boy number: 2

match boy: boy3

match boynumber: 3

2、hutool 工具包中的使用

String str = "grilboy1girlboy2boy3girl";

String pattern = "boy([0-9])";



List < String > group0 = ReUtil.findAll( pattern, str, 0 ) ;

List < String > group1 = ReUtil.findAll( pattern, str, 1 ) ;

System.out.println ( group0 ) ;

System.out.println ( group1 ) ;

输出如下：

[boy1, boy2, boy3]

[1, 2, 3]

7、应用小案例

1、字符串提取

1.1 提取fileId

https://download.dameng.com/eco-file-server/file/eco/preview/20210714101131T7ADFZE3BGPQL0K4QB 

这个字符串中 fileId 为 20210714101131T7ADFZE3BGPQL0K4QB

 String str = "https://download.dameng.com/eco-file-
 server/file/eco/preview/20210714101131T7ADFZE3BGPQL0K4QB";
 
 // 添加?是保证如果是http请求，同样可以获取
 
 // (.*)这所以没有改为(.*?)是如果不是贪婪匹配，则只匹配
 
 // https://download.dameng.com/eco-file-server/file/eco/preview/
 String reg = "https?://download.dameng.com/eco-file-server/file/eco/preview/(.*)";

 System.*out*.println *(* ReUtil.*getGroup1(* reg, str *))* ;

输出如下：

1.2 提取id值

输入字符串 end.jpg

提取 20220210140807XWG90B 值

String str = "<download id=20220210140807XWG90B>end.jpg</download>";

String reg = "<download id=(.*)>(.*)</download>";

// 分组1获取的是 20220210140807XWG90B

System.out.println ( ReUtil.getGroup1( reg, str )) ;

// 分组2 获取的是 end.jpg

System.out.println ( ReUtil.get( reg, str,2 )) ;

输出如下：

2、字符串替换

2.1 原字符串是：中文1234，把1234换成(1234)

String str = "中文1234";



// $1 代表第一个分组匹配上的内容

String s = ReUtil.replaceAll( str, "(\d+)", "($1)" ) ;



System.out.println ( s ) ;

输出如下：

3、notepad++ 中应用

3.1 给所有的字符串添加双引号

原字符串如下：

替换后如下：

3.2 多行合并为一行

原字符串如下：

替换后如下：

3.3 给一行的字符添加单引号

原字符 123,566,789

目标字符 '123','566','789'

7、通用校验总结

1、校验数字的表达式

1 数字：^[0-9]*$

2 n位的数字：^\d{n}$

3 至少n位的数字：^\d{n,}$

4 m-n位的数字：^\d{m,n}$

5 零和非零开头的数字：^(0|[1-9][0-9]*)$

6 非零开头的最多带两位小数的数字：^([1-9][0-9]*)+(.[0-9]{1,2})?$

7 带1-2位小数的正数或负数：^(-)?\d+(.\d{1,2})?$

8 正数、负数、和小数：^(-|+)?\d+(.\d+)?$

9 有两位小数的正实数：^[0-9]+(.[0-9]{2})?$

10 有1~3位小数的正实数：^[0-9]+(.[0-9]{1,3})?$

11 非零的正整数：^[1-9]\d*$或 ^([1-9][0-9]*){1,3}$ 或 ^+?[1-9][0-9]*$

12 非零的负整数：^-[1-9][]0-9"*$或 ^-[1-9]\d*$

13 非负整数：^\d+$或 ^[1-9]\d*|0$

14 非正整数：^-[1-9]\d*|0$或 ^((-\d+)|(0+))$

15 非负浮点数：^\d+(.\d+)?$或 ^[1-9]\d*\.\d*|0\.\d*[1-9]\d*|0?\.0+|0$

16 非正浮点数：^((-\d+(.\d+)?)|(0+(.0+)?))$或 ^(-([1-9]\d*\.\d*|0\.\d*[1-9]\d*))|0?\.0+|0$

17 正浮点数：^[1-9]\d*.\d*|0.\d*[1-9]\d*$或 ^(([0-9]+\.[0-9]*[1-9][0-9]*)|([0-9]*[1-9][0-9]*\.[0-9]+)|([0-9]*[1-9][0-9]*))$

18 负浮点数：^-([1-9]\d*.\d*|0.\d*[1-9]\d*)$或 ^(-(([0-9]+\.[0-9]*[1-9][0-9]*)|([0-9]*[1-9][0-9]*\.[0-9]+)|([0-9]*[1-9][0-9]*)))$

19 浮点数：^(-?\d+)(.\d+)?$或 ^-?([1-9]\d*\.\d*|0\.\d*[1-9]\d*|0?\.0+|0)$

2、校验字符的表达式

1 汉字：^[\u4e00-\u9fa5]{0,}$

2 英文和数字：^[A-Za-z0-9]+$或 ^[A-Za-z0-9]{4,40}$

3 长度为3-20的所有字符：^.{3,20}$

4 由26个英文字母组成的字符串：^[A-Za-z]+$

5 由26个大写英文字母组成的字符串：^[A-Z]+$

6 由26个小写英文字母组成的字符串：^[a-z]+$

7 由数字和26个英文字母组成的字符串：^[A-Za-z0-9]+$

8 由数字、26个英文字母或者下划线组成的字符串：^\w+$或 ^\w{3,20}$

9 中文、英文、数字包括下划线：^[\u4E00-\u9FA5A-Za-z0-9_]+$

10 中文、英文、数字但不包括下划线等符号：^[\u4E00-\u9FA5A-Za-z0-9]+$或 ^[\u4E00-\u9FA5A-Za-z0-9]{2,20}$

11 可以输入含有^%&',;=?\"等字符：[^%&',;=?\x22]+

12 禁止输入含有的字符：[^\x22]+

3、特殊需求表达式

1 Email地址：^\w+([-+.]\w+)@\w+([-.]\w+).\w+([-.]\w+)*$

2 域名：[a-zA-Z0-9][-a-zA-Z0-9]{0,62}(/.[a-zA-Z0-9][-a-zA-Z0-9]{0,62})+/.?

3 InternetURL：[a-zA-z]+://[^\s]* 或 ^http://([\w-]+.)+[\w-]+(/[\w-./?%&=]*)?$

4 手机号码：^(13[0-9]|14[5|7]|15[0|1|2|3|5|6|7|8|9]|18[0|1|2|3|5|6|7|8|9])\d{8}$

5 电话号码("XXX-XXXXXXX"、"XXXX-XXXXXXXX"、"XXX-XXXXXXX"、"XXX-XXXXXXXX"、"XXXXXXX"和"XXXXXXXX)：^((\d{3,4}-)|\d{3.4}-)?\d{7,8}$

6 国内电话号码(0511-4405222、021-87888822)：\d{3}-\d{8}|\d{4}-\d{7}

7 身份证号(15位、18位数字)：^\d{15}|\d{18}$

8 短身份证号码(数字、字母x结尾)：^([0-9]){7,18}(x|X)?$或 ^\d{8,18}|[0-9x]{8,18}|[0-9X]{8,18}?$

9 帐号是否合法(字母开头，允许5-16字节，允许字母数字下划线)：^[a-zA-Z][a-zA-Z0-9_]{4,15}$

10 密码(以字母开头，长度在6~18之间，只能包含字母、数字和下划线)：^[a-zA-Z]\w{5,17}$

11 强密码(必须包含大小写字母和数字的组合，不能使用特殊字符，长度在8-10之间)：^(?=.\d)(?=.[a-z])(?=.*[A-Z]).{8,10}$

12 日期格式：^\d{4}-\d{1,2}-\d{1,2}

13 一年的12个月(01～09和1～12)：^(0?[1-9]|1[0-2])$

14 一个月的31天(01～09和1～31)：^((0?[1-9])|((1|2)[0-9])|30|31)$

15 钱的输入格式：

16 1.有四种钱的表示形式我们可以接受:"10000.00" 和 "10,000.00", 和没有 "分" 的 "10000" 和 "10,000"：^[1-9][0-9]*$

17 2.这表示任意一个不以0开头的数字,但是,这也意味着一个字符"0"不通过,所以我们采用下面的形式：^(0|[1-9][0-9]*)$

18 3.一个0或者一个不以0开头的数字.我们还可以允许开头有一个负号：^(0|-?[1-9][0-9]*)$

19 4.这表示一个0或者一个可能为负的开头不为0的数字.让用户以0开头好了.把负号的也去掉,因为钱总不能是负的吧.下面我们要加的是说明可能的小数部分：^[0-9]+(.[0-9]+)?$

20 5.必须说明的是,小数点后面至少应该有1位数,所以"10."是不通过的,但是 "10" 和 "10.2" 是通过的：^[0-9]+(.[0-9]{2})?$

21 6.这样我们规定小数点后面必须有两位,如果你认为太苛刻了,可以这样：^[0-9]+(.[0-9]{1,2})?$

22 7.这样就允许用户只写一位小数.下面我们该考虑数字中的逗号了,我们可以这样：^[0-9]{1,3}(,[0-9]{3})*(.[0-9]{1,2})?$

23 8.1到3个数字,后面跟着任意个 逗号+3个数字,逗号成为可选,而不是必须：^([0-9]+|[0-9]{1,3}(,[0-9]{3})*)(.[0-9]{1,2})?$

24 备注：这就是最终结果了,别忘了"+"可以用"*"替代如果你觉得空字符串也可以接受的话(奇怪,为什么?)最后,别忘了在用函数时去掉去掉那个反斜杠,一般的错误都在这里

25 xml文件：^([a-zA-Z]+-?)+[a-zA-Z0-9]+\.[x|X][m|M][l|L]$

26 中文字符的正则表达式：[\u4e00-\u9fa5]

27 双字节字符：[^\x00-\xff] (包括汉字在内，可以用来计算字符串的长度(一个双字节字符长度计2，ASCII字符计1))

28 空白行的正则表达式：\n\s*\r (可以用来删除空白行)

29 HTML标记的正则表达式：<(\S*?)[^>]>.?</\1>|<.*? /> (网上流传的版本太糟糕，上面这个也仅仅能部分，对于复杂的嵌套标记依旧无能为力)

30 首尾空白字符的正则表达式：^\s*|\s*$或(^\s*)|(\s*$) (可以用来删除行首行尾的空白字符(包括空格、制表符、换页符等等)，非常有用的表达式)

31 腾讯QQ号：[1-9][0-9]{4,} (腾讯QQ号从10000开始)

32 中国邮政编码：[1-9]\d{5}(?!\d) (中国邮政编码为6位数字)

33 IP地址：\d+.\d+.\d+.\d+ (提取IP地址时有用)

34 IP地址：((?:(?:25[0-5]|2[0-4]\d|[01]?\d?\d)\.){3}(?:25[0-5]|2[0-4]\d|[01]?\d?\d))