Java编程的逻辑 (90) - 正则表达式 (下 - 剖析常见表达式)

时间  2019-11-06
标签 java 编程 逻辑 正则 表达式 剖析 常见 栏目 Java 繁體版
原文   原文链接

本系列文章经补充和完善，已修订整理成书《Java编程的逻辑》，由机械工业出版社华章分社出版，于2018年1月上市热销，读者好评如潮！各大网店和书店有售，欢迎购买，京东自营连接：http://item.jd.com/12299018.htmlhtml

88节介绍了正则表达式的语法，上节介绍了正则表达式相关的Java API，本节来讨论和分析一些经常使用的正则表达式，具体包括：git

  • 邮编
  • 电话号码，包括手机号码和固定电话号码
  • 日期和时间
  • 身份证
  • IP地址
  • URL
  • Email地址
  • 中文字符

对于同一个目的，正则表达式每每有多种写法，大多没有惟一正确的写法，本节的写法主要是示例。此外，写一个正则表达式，匹配但愿匹配的内容每每比较容易，但让它不匹配不但愿匹配的内容，则每每比较困难，也就是说，保证精确性常常是很难的，不过，不少时候，咱们也没有必要写彻底精确的表达式，须要写到多精确与你须要处理的文本和需求有关，另外，正则表达式难以表达的，能够经过写程序进一步处理。这么描述可能比较抽象，下面，咱们会具体讨论分析。github

邮编正则表达式

邮编比较简单，就是6位数字，因此表达式能够为：编程

[0-9]{6}

 这个表达式能够用于验证输入是否为邮编，好比：swift

public static Pattern ZIP_CODE_PATTERN = Pattern.compile(
        "[0-9]{6}");

public static boolean isZipCode(String text) {
    return ZIP_CODE_PATTERN.matcher(text).matches();
}

但若是用于查找，这个表达式是不够的，看个例子：微信

public static void findZipCode(String text) {
    Matcher matcher = ZIP_CODE_PATTERN.matcher(text);
    while (matcher.find()) {
        System.out.println(matcher.group());
    }
}

public static void main(String[] args) {
    findZipCode("邮编 100013，电话18612345678");
}

文本中只有一个邮编，但输出却为：函数式编程

100013
186123

这怎么办呢？可使用88节介绍的环视边界匹配，对于左边界，它前面的字符不能是数字，环视表达式为：函数

(?<![0-9])

对于右边界，它右边的字符不能是数字，环视表达式为：spa

(?![0-9])

因此，完整的表达式能够为：

(?<![0-9])[0-9]{6}(?![0-9])

使用这个表达式，也就是说，将ZIP_CODE_PATTERN改成：

public static Pattern ZIP_CODE_PATTERN = Pattern.compile(
        "(?<![0-9])" // 左边不能有数字
        + "[0-9]{6}"
        + "(?![0-9])"); // 右边不能有数字

就能够输出指望的结果了。

非0开头的6位数字就必定是邮编吗？答案固然是否认的，因此，这个表达式也不是精确的，若是须要更精确的验证，能够写程序进一步检查。

手机号码

中国的手机号码都是11位数字，因此，最简单的表达式就是：

[0-9]{11}

不过，目前手机号第1位都是1，第2位取值为三、四、五、七、8之一，因此，更精确的表达式是：

1[34578][0-9]{9}

为方便表达手机号，手机号中间常常有连字符(即减号'-')，形如：

186-1234-5678

为表达这种可选的连字符，表达式能够改成：

1[34578][0-9]-?[0-9]{4}-?[0-9]{4}

在手机号前面，可能还有0、+86或0086，和手机号码之间可能还有一个空格，好比：

018612345678
+86 18612345678
0086 18612345678

为表达这种形式，能够在号码前加以下表达式：

((0|\+86|0086)\s?)?

和邮编相似，若是为了抽取，也要在左右加环视边界匹配，左右不能是数字。因此，完整的表达式为：

(?<![0-9])((0|\+86|0086)\s?)?1[34578][0-9]-?[0-9]{4}-?[0-9]{4}(?![0-9])

用Java表示的代码为：

public static Pattern MOBILE_PHONE_PATTERN = Pattern.compile(
        "(?<![0-9])" // 左边不能有数字
        + "((0|\\+86|0086)\\s?)?" // 0 +86 0086
        + "1[34578][0-9]-?[0-9]{4}-?[0-9]{4}" // 186-1234-5678
        + "(?![0-9])"); // 右边不能有数字

固定电话

不考虑分机，中国的固定电话通常由两部分组成：区号和市内号码，区号是3到4位，市内号码是7到8位。区号以0开头，表达式能够为：

0[0-9]{2,3}

市内号码表达式为：

[0-9]{7,8}

区号可能用括号包含，区号与市内号码之间可能有连字符，如如下形式：

010-62265678
(010)62265678

整个区号是可选的，因此整个表达式为：

(\(?0[0-9]{2,3}\)?-?)?[0-9]{7,8}

再加上左右边界环视，完整的Java表示为：

public static Pattern FIXED_PHONE_PATTERN = Pattern.compile(
        "(?<![0-9])" // 左边不能有数字
        + "(\\(?0[0-9]{2,3}\\)?-?)?" // 区号
        + "[0-9]{7,8}"// 市内号码
        + "(?![0-9])"); // 右边不能有数字

日期

日期的表示方式有不少种，咱们只看一种，形如：

2017-06-21
2016-11-1

年月日之间用连字符分隔，月和日可能只有一位。

最简单的正则表达式能够为：

\d{4}-\d{1,2}-\d{1,2}

年通常没有限制，但月只能取值1到12，日只能取值1到31，怎么表达这种限制呢？

对于月，有两种状况，1月到9月，表达式能够为：

0?[1-9]

10月到12月，表达式能够为：

1[0-2]

因此，月的表达式为：

(0?[1-9]|1[0-2])

对于日，有三种状况：

  • 1到9号，表达式为：0?[1-9]
  • 10号到29号，表达式为：[1-2][0-9]
  • 30号和31号，表达式为：3[01]

因此，整个表达式为：

\d{4}-(0?[1-9]|1[0-2])-(0?[1-9]|[1-2][0-9]|3[01])

加上左右边界环视，完整的Java表示为：

public static Pattern DATE_PATTERN = Pattern.compile(
        "(?<![0-9])" // 左边不能有数字
        + "\\d{4}-" // 年
        + "(0?[1-9]|1[0-2])-" // 月
        + "(0?[1-9]|[1-2][0-9]|3[01])"// 日
        + "(?![0-9])"); // 右边不能有数字

时间

考虑24小时制，只考虑小时和分钟，小时和分钟都用固定两位表示，格式以下：

10:57

基本表达式为：

\d{2}:\d{2}

小时取值范围为0到23，更精确的表达式为：

([0-1][0-9]|2[0-3])

 分钟取值范围为0到59，更精确的表达式为：

[0-5][0-9]

因此，整个表达式为：

([0-1][0-9]|2[0-3]):[0-5][0-9]

加上左右边界环视，完整的Java表示为：

public static Pattern TIME_PATTERN = Pattern.compile(
        "(?<![0-9])" // 左边不能有数字
        + "([0-1][0-9]|2[0-3])" // 小时
        + ":" + "[0-5][0-9]"// 分钟
        + "(?![0-9])"); // 右边不能有数字

身份证

身份证有一代和二代之分，一代是15位数字，二代是18位，都不能以0开头，对于二代身份证，最后一位可能为x或X，其余是数字。

一代身份证表达式能够为：

[1-9][0-9]{14}

二代身份证能够为：

[1-9][0-9]{16}[0-9xX]

这两个表达式的前面部分是相同的，二代身份证多了以下内容：

[0-9]{2}[0-9xX]

因此，它们能够合并为一个表达式，即：

[1-9][0-9]{14}([0-9]{2}[0-9xX])?

加上左右边界环视，完整的Java表示为：

public static Pattern ID_CARD_PATTERN = Pattern.compile(
        "(?<![0-9])" // 左边不能有数字
        + "[1-9][0-9]{14}" // 一代身份证
        + "([0-9]{2}[0-9xX])?" // 二代身份证多出的部分
        + "(?![0-9])"); // 右边不能有数字

符合这个要求的就必定是身份证号码吗？固然不是，身份证还有一些更为具体的要求，本文就不探讨了。

IP地址

IP地址格式以下：

192.168.3.5

点号分隔，4段数字，每一个数字范围是0到255。最简单的表达式为：

(\d{1,3}\.){3}\d{1-3}

 \d{1,3}太简单，没有知足0到255之间的约束，要知足这个约束，就要分多种状况考虑。

值是1位数，前面可能有0到2个0，表达式为：

0{0,2}[0-9]

值是两位数，前面可能有一个0，表达式为：

0?[0-9]{2}

值是三位数，又要分为多种状况。以1开头的，后两位没有限制，表达式为：

1[0-9]{2}

以2开头的，若是第二位是0到4，则第三位没有限制，表达式为：

2[0-4][0-9]

若是第二位是5，则第三位取值为0到5，表达式为：

25[0-5]

因此，\d{1,3}更为精确的表示为：

(0{0,2}[0-9]|0?[0-9]{2}|1[0-9]{2}|2[0-4][0-9]|25[0-5])

因此，加上左右边界环视，IP地址的完整Java表示为：

public static Pattern IP_PATTERN = Pattern.compile(
        "(?<![0-9])" // 左边不能有数字
        + "((0{0,2}[0-9]|0?[0-9]{2}|1[0-9]{2}|2[0-4][0-9]|25[0-5])\\.){3}"
        + "(0{0,2}[0-9]|0?[0-9]{2}|1[0-9]{2}|2[0-4][0-9]|25[0-5])"
        + "(?![0-9])"); // 右边不能有数字    

URL

URL的格式比较复杂，其规范定义在https://tools.ietf.org/html/rfc1738，咱们只考虑http协议，其通用格式是：

http://<host>:<port>/<path>?<searchpart>

开始是http://，接着是主机名，主机名以后是可选的端口，再以后是可选的路径，路径后是可选的查询字符串，以?开头。

一些例子：

http://www.example.com
http://www.example.com/ab/c/def.html
http://www.example.com:8080/ab/c/def?q1=abc&q2=def

主机名中的字符能够是字母、数字、减号和点号，因此表达式能够为：

[-0-9a-zA-Z.]+

端口部分能够写为：

(:\d+)?

路径由多个子路径组成，每一个子路径以/开头，后跟零个或多个非/的字符，简单的说，表达式能够为：

(/[^/]*)*

更精确的说，把全部容许的字符列出来，表达式为：

(/[-\w$.+!*'(),%;:@&=]*)*

对于查询字符串，简单的说，由非空字符串组成，表达式为：

\?[\S]*

更精确的，把全部容许的字符列出来，表达式为：

\?[-\w$.+!*'(),%;:@&=]*

路径和查询字符串是可选的，且查询字符串只有在至少存在一个路径的状况下才能出现，其模式为：

(/<sub_path>(/<sub_path>)*(\?<search>)?)?

因此，路径和查询部分的简单表达式为：

(/[^/]*(/[^/]*)*(\?[\S]*)?)?

精确表达式为：

(/[-\w$.+!*'(),%;:@&=]*(/[-\w$.+!*'(),%;:@&=]*)*(\?[-\w$.+!*'(),%;:@&=]*)?)?

HTTP的完整Java表达式为：

public static Pattern HTTP_PATTERN = Pattern.compile(
        "http://" + "[-0-9a-zA-Z.]+" // 主机名
        + "(:\\d+)?" // 端口
        + "(" // 可选的路径和查询 - 开始
            + "/[-\\w$.+!*'(),%;:@&=]*" // 第一层路径
            + "(/[-\\w$.+!*'(),%;:@&=]*)*" // 可选的其余层路径
            + "(\\?[-\\w$.+!*'(),%;:@&=]*)?" // 可选的查询字符串
        + ")?"); // 可选的路径和查询 - 结束

Email地址

完整的Email规范比较复杂，定义在https://tools.ietf.org/html/rfc822，咱们先看一些实际中经常使用的。

好比新浪邮箱，它的格式如：

abc@sina.com

对于用户名部分，它的要求是：4-16个字符，可以使用英文小写、数字、下划线，但下划线不能在首尾。

怎么验证用户名呢？能够为：

[a-z0-9][a-z0-9_]{2,14}[a-z0-9]

新浪邮箱的完整Java表达式为：

public static Pattern SINA_EMAIL_PATTERN = Pattern.compile(
        "[a-z0-9]" 
        + "[a-z0-9_]{2,14}"
        + "[a-z0-9]@sina\\.com");       

咱们再来看QQ邮箱，它对于用户名的要求为：

  • 3-18字符，可以使用英文、数字、减号、点或下划线
  • 必须以英文字母开头，必须以英文字母或数字结尾
  • 点、减号、下划线不能连续出现两次或两次以上

若是只有第一条，能够为：

[-0-9a-zA-Z._]{3,18}

为知足第二条，能够改成：

[a-zA-Z][-0-9a-zA-Z._]{1,16}[a-zA-Z0-9]

怎么知足第三条呢？可使用边界环视，左边加以下表达式：

(?![-0-9a-zA-Z._]*(--|\.\.|__))

完整表达式能够为：

(?![-0-9a-zA-Z._]*(--|\.\.|__))[a-zA-Z][-0-9a-zA-Z._]{1,16}[a-zA-Z0-9]

QQ邮箱的完整Java表达式为：

public static Pattern QQ_EMAIL_PATTERN = Pattern.compile(
        "(?![-0-9a-zA-Z._]*(--|\\.\\.|__))" // 点、减号、下划线不能连续出现两次或两次以上
        + "[a-zA-Z]" // 必须以英文字母开头
        + "[-0-9a-zA-Z._]{1,16}" // 3-18位 英文、数字、减号、点、下划线组成
        + "[a-zA-Z0-9]@qq\\.com"); // 由英文字母、数字结尾

以上都是特定邮箱服务商的要求，通常的邮箱是什么规则呢？通常而言，以@做为分隔符，前面是用户名，后面是域名。

用户名的通常规则是：

  • 由英文字母、数字、下划线、减号、点号组成
  • 至少1位，不超过64位
  • 开头不能是减号、点号和下划线

好比：

h_llo-abc.good@example.com

这个表达式能够为：

[0-9a-zA-Z][-._0-9a-zA-Z]{0,63}

域名部分以点号分隔为多个部分，至少有两个部分。最后一部分是顶级域名，由2到3个英文字母组成，表达式能够为：

[a-zA-Z]{2,3}

对于域名的其余点号分隔的部分，每一个部分通常由字母、数字、减号组成，但减号不能在开头，长度不能超过63个字符，表达式能够为：

[0-9a-zA-Z][-0-9a-zA-Z]{0,62}

因此，域名部分的表达式为：

([0-9a-zA-Z][-0-9a-zA-Z]{0,62}\.)+[a-zA-Z]{2,3}

完整的Java表示为：

public static Pattern GENERAL_EMAIL_PATTERN = Pattern.compile(
        "[0-9a-zA-Z][-._0-9a-zA-Z]{0,63}" // 用户名
        + "@"
        + "([0-9a-zA-Z][-0-9a-zA-Z]{0,62}\\.)+" // 域名部分
        + "[a-zA-Z]{2,3}"); // 顶级域名     

中文字符

中文字符的Unicode编号通常位于\u4e00和\u9fff之间，因此匹配任意一个中文字符的表达式能够为：

[\u4e00-\u9fff]

Java表达式为：

public static Pattern CHINESE_PATTERN = Pattern.compile(
        "[\\u4e00-\\u9fff]");

小结

本节详细讨论和分析了一些常见的正则表达式，在实际开发中，有些能够直接使用，有些须要根据具体文本和需求进行调整。

至此，关于正则表达式，咱们就介绍完了，相信你对正则表达式必定有了一个更为清晰透彻的理解！

在以前的章节中，咱们都是基于Java 7讨论的，从下节开始，咱们探讨Java 8的一些特性，尤为是函数式编程。

(与其余章节同样，本节全部代码位于 https://github.com/swiftma/program-logic，位于包shuo.laoma.regex.c90下)

----------------

未完待续，查看最新文章，敬请关注微信公众号“老马说编程”(扫描下方二维码)，从入门到高级，深刻浅出，老马和你一块儿探索Java编程及计算机技术的本质。用心原创，保留全部版权。

相关文章
相关标签/搜索
每日一句
    每一个你不满意的现在，都有一个你没有努力的曾经。
本站公众号
   欢迎关注本站公众号,获取更多信息
联系我们 最近搜索 最新文章 沪ICP备13005482号-10 MyBatis教程 SQL 教程 MySQL教程 Java 教程 Thymeleaf 教程 Hibernate教程 Spring教程 Redis教程