正则表达式使用详解

一般你会用正则做什么，大部分都是做一些字符串的检查？下面有几个问题，不妨试着通过正则表达式看你是否能够解决？

1. 校验密码是否包含字母大小写、数字、特殊字符（!@#￥%^&）且长度为6到12位
2. 将数字12345678用货币格式（每3位一个,）最终效果：12,345,678
3. 替换一段文字中的占位字符部分（比如${}包含的内容），类似ES6中的模板语法

一、定义

正则表达式，又称规则表达式,（Regular Expression，在代码中常简写为regex、regexp或RE），是一种文本模式， 包括普通字符（例如，a 到 z 之间的字母）和特殊字符（称为”元字符”），是计算机科学的一个概念。正则表达式使用单个字符串来描述、匹配一系列匹配某个句法规则的字符串，通常被用来检索、替换那些符合某个模式（规则）的文本。

正则表达式是对字符串操作的一种逻辑公式，就是用事先定义好的一些特定字符、及这些特定字符的组合，组成一个“规则字符串”，这个“规则字符串”用来表达对字符串的一种过滤逻辑。

二、作用

回顾下上面的3个问题，我们使用正则基本上也就是完成类似的这些工作，从功能上我们可以划分为：

• 匹配：检查目标字符串是否与指定的规则匹配。比如密码强度校验、手机号码校验、URL地址校验等等，一般用来对一段字符串进行格式校验。
• 替换：按规则对字符串内容进行替换。比如将一段文字中的特殊字符替换成空字符串，主要实现对文本按指定规则进行内容的替换
• 截取：找到字符串中特定规则的片段。可以用来提取目标字符串中满足规则的片段

三、结构

正则表达式由普通字符以及元字符组成。其中普通字符包含0-9、a-z、A-Z以及各种符号；元字符则类似+ ? \d \s 这种具有特殊含义的字符。

1、字符

1）普通字符

2）非打印字符

3）特殊字符

4）限定符

5）定位符

2、规则

1）匹配

a）贪婪匹配、惰性匹配

贪婪匹配与惰性匹配影响的是被量词修饰的子表达式的匹配行为，贪婪模式在整个表达式匹配成功的前提下，尽可能多的匹配，而非贪婪模式在整个表达式匹配成功的前提下，尽可能少的匹配 （惰性模式：限定符后加上?）

源字符串：...<div>hello <div>Regex</div> !</div>...
贪婪模式：<div>.*</div> -> <div>hello <div>Regex</div> !</div>
惰性模式：<div>.*?</div> -> <div>hello <div>Regex</div>

b）回溯

正则表达式匹配目标字符串时，它从左到右逐个测试表达式的组成部分，看是否能找到匹配项。在遇到量词时，需要决定何时尝试匹配更多字符。在遇到分支时，必须从可选项中选择一个尝试匹配。每当正则做类似的决定时，如果有必要，都会记录其他选择，以便匹配不成功时进行回溯，到最后一个决策点，再重新进行匹配。

我们可以简单的理解为，当正则匹配存在多种情况时，出现失败后的重试机制，直到所有情况都尝试失败才会最终失败。要注意有时这是非常耗费性能的

正则：ab{1,3}c 源字符串：abc
第一次匹配：a匹配到a
第二次匹配：b{1,3}匹配到b
第三次匹配：b{1,3}匹配到c，因为贪婪模式，尽可能多的匹配，当匹配到b后，会继续，碰到c，匹配失败，回溯最近一次成功的状态
第四次匹配：b{1,3}匹配到b
第五次匹配：c匹配到c，批次成功
为了减少回溯造成的性能问题，我们应该尽可能地明确需要匹配的目标字符，避免贪婪模式，比如使用b{1,3}?

2）分组、引用和断言

a）分组：语法()

• 按括号从左到右，从外到内依次为分组编号
• 使用(?<组名>)方式显示分配组名称
• 断言非分组

示例：
  (A)(B(C)) 则会对应多个分组：
  0: (A)(B(C))
  1: (A)
  2: (B(C))
  3: (C)

b）引用：语法\组号

• 通过\组号引用分组，减少重复

// 引用主要是为了减少输入，但要注意正确引用
Pattern.compile("(###).*(\\1)").matcher("### this is content ###")

c）断言：

• (?=pattern) 零宽正向先行断言(前瞻)
• (?!pattern) 零宽负向先行断言(否定前瞻)
• (?<=pattern) 零宽正向后行断言(正向后视)
• (?<!pattern) 零宽负向后行断言(否定后视)

第一个问题的解决方案就用到了断言
只判断，不匹配

3）模式

在javascript中，有i、g、m、s分别对应了不区分大小写、全局匹配、多行匹配以及包含换行符的元字符.匹配，而在Pattern中则提供了下面的几种模式：

• UNIX_LINES 换行符统一认定为\n，（window系统默认是\r\n）
• CASE_INSENSITIVE 大小写不敏感，对应i
• COMMENTS 表达式中的空格及#开头的注释内容被忽略
• MULTILINE 多行模式，对应m
• LITERAL 字面值解析模式，元字符作为普通字符处理
• DOTALL .可以匹配任何字符，包括行结束符，对应上面的s
• UNICODE_CASE 配合CASE_INSENSITIVE实现对UNICODE大小写不敏感
• CANON_EQ 启用规范等价，比如”a\u030A”会匹配”?”
• UNICODE_CHARACTER_CLASS 启用Unicode版本的预定义字符类和POSIX字符类，这样类似\w的匹配就不局限于英文字符了

四、元字符

所谓元字符就是指那些在正则表达式中具有特殊意义的专用字符，可以用来规定其前导字符（即位于元字符前面的字符）在目标对象中的出现模式。下面整理了元字符以及其对应的功能。

五、示例

下面来看下上面3个问题通过正则具体如何解决吧：

1、问题1：主要使用了断言来实现，当然你也可以拆分成多个正则进行匹配来达到相同的效果

@Test
public void checkPassword(){
    String password = "aaa123@Z";
    Pattern compile = Pattern.compile("(?=.*\\d+)(?=.*[a-z]+)(?=.*[A-Z]+)(?=.*[!@#$%^&]+)[a-zA-Z\\d!@#$%^&]{6,12}");
    log.info(">>> {}", compile.matcher(password).matches());
}

2、问题2：同样借助了断言，实现字符串的查找，最终实现替换，当然我们替换的不是字符，而是匹配的位置

@Test
public void scientific(){
    String number = "123456789";
    String result = number.replaceAll("(?=\\B(\\d{3})+$)", ",");
    log.info(">> {}", result);
}

3、问题3：通过分组实现字符串片段的查找，通过变量上下文重新组件字符串

@Test
public void replaceHolder(){
    Map<String,String> context = new HashMap<>();
    context.put("company","north");
    context.put("project","blob");
    context.put("model","regex");

    String packages = "com.{company}.{project}.{model}.*";

    Pattern pattern = Pattern.compile("(\\{[^}]*\\})");
    Matcher matcher = pattern.matcher(packages);

    StringBuffer result = new StringBuffer();
    while (matcher.find()){
        String group = matcher.group();
        String key = group.substring(1, group.length()-1);
        matcher.appendReplacement(result, context.getOrDefault(key,"") );
    }
    matcher.appendTail(result);
    log.info( result.toString() );
}