正则表达式的理论基础

Question

普通字符的表示

我们说正则表达式主要由普通字符和元字符组成，那么我们首先先看看普通字符该如何表示。大部分普通字符由字符本身即可表示，例如： s 、 i 、 n 、 g 、 l 、 e 等。除此之外，也有一些特殊的表示方式。

• 以 /0 开头，后面紧跟 1-3 位数字，表示的是一个八进制数。这个数的十进制值对应于 ASCII 编码中的相应字符。
• 以 /x 或者 /X 开头，后面紧跟两位字符，表示的是一个十六进制的数。该数的十进制的值对应于 ASCII 编码中相应的字符。
• 以 /u 开头，后面紧跟四位字符，表示一个 Unicode 编号。该编号对应于 Unicode 字符集中的一个具体字符。

元字符

元字符是在正则表达式中有特殊意义的字符

​常用的元字符：

在某种特殊情况下，需要将这些元字符当做普通字符使用，我们使用 \ + 元字符，表示转移该元字符，此后该元字符将表示一个普通字符。例如： \\\ ， \\^ ，它们分别表示的是 \\ 和 ^ ，不再具有特殊含义了。下面我们开始逐渐介绍正则表达式语法中的元字符的特殊含义。

​但是需要注意的是：Java 中的 String 中"\"本来就是转义的意思，如果我们需要匹配"\"就需要写成“\\\\”.

String str = "a\\b";
String regex = "\\\\";
str = str.replaceAll(regex, "x");
System.out.println(str);//输出：axb

字符组匹配单个字符

​我们用一对中括号 ([.....]) 表示字符组，整个字符组中会有多个字符位列其中，该字符组表示的含义是：匹配任意一个字符，该字符是位列字符组中的。

​例如： [single] 匹配的是字符 s 、 i 、 n 、 g 、 l 、 e 中的任意一个字符。以上我们简单介绍了字符组的基本概念以及它所能匹配的内容，其实有时候为了表述连续的字符，我们会结合元字符 - 一起来操作字符组。例如： [0123456789] ，匹配的是 0 到 9 之间的任意一个数字，对于这种情况我们可以选择这样来简化操作： [0-9] 。

其实两者表述的含义是一样的，为了简化起见，如果遇到连续的字符表述，可以选择使用元字符来简化。同样的还有 [a-z] ，它匹配任意一个小写字母。对于元字符 - 还需要说明一点的是：该字符只有出现在两个字符之间才具有特殊含义，单独出现在字符组的所有字符之前或者之后只能表述普通字符 - 。下面介绍有关字符组的一些其他相关的元字符。

​元字符 ^ 在 字符组 中表示排除的意思，只有放在所有字符的最前面才具有特殊含义，否则只能表示普通字符。例如： [^1234] ，该字符组匹配一个字符，但是不是 1 或 2 或 3 或 4。当然， [c^yy] ，匹配的是四个普通字符： c 、 ^ 、 y 、 y 。此外，需要注意一点的是，除了以上介绍的几种元字符必须置放于指定位置上才能起作用以外，其余所有元字符在字符组中统统被视作普通字符，不再具有特殊含义。

量词

量词： * 、 + 、 ? 、 {min,max}

它们主要用于指定量词前面的字符在匹配时可以多次出现。

例如：

• se*cyy ：其中 e 出现 0-无穷次
• se{0,10}cyy ：其中 e 可以出现 0-10 次
• se{9}cyy ：其中 e 必须出现 9 次
• se{3,} ：其中 e 出现 3-正无穷次

分组

在介绍分组之前，无论是使用量词还是字符组都是针对的一个字符。而分组针对的就是一串字符，我们也可以对分组使用量词，控制该分组出现的次数。 我们使用 () 括号表示分组，例如：

• sing(le)+cccc ：在该正则表达式中，分组 le 可以出现一次或者多次
• sing(le)*cccc ：在该正则表达式中，分组 le 可以出现零次或者多次

还可以在 分组 中使用 | 表示或：

String str = "aaabbb";
String regex = "^(aaa|bbb)+"; // 表示 aaa 或 bbb 在目标字符串开头至少出现一次
System.out.println(str.matches(regex)); // 返回 true