本文介绍了正则表达式的基础知识和进阶技巧，结合Python和Java展示了如何处理字符串，包括匹配带区号的座机号、切分字符串、分组等操作。通过实例探讨了贪婪匹配、编译正则表达式以提高效率，以及Java中正则的注意事项，强调了预编译的重要性。
背景图为：网易Bgwan/Lofter&&：click
写在前面
很久没有更新内容了，本篇准备介绍一些基础实用性的内容，-字符串处理之正则表达式
字符串是编程时涉及到的最多的一种数据结构，对字符串进行操作的需求几乎无处不在。比如判断一个字符串是否是合法的Email地址，虽然可以编程提取@前后的子串，再分别判断是否是单词和域名，但这样做不但麻烦，而且代码难以复用。
正则表达式是一种用来匹配字符串的强有力的武器。它的设计思想是用一种描述性的语言来给字符串定义一个规则，凡是符合规则的字符串，我们就认为它“匹配”了，否则，该字符串就是不合法的。
我们判断一个字符串是否是合法的Email的方法是：
1.创建一个匹配Email的正则表达式；
2.用该正则表达式去匹配用户的输入来判断是否合法。
因为正则表达式也是用字符串表示的，所以，我们要首先了解如何用字符来描述字符。
版权声明CopyRight：
本内容作者：sunst，转载或引用请标明出处，违者追究法律责任！！！
通过本篇你会了解学习到正则表达的基本原理，以及Python(主)和Java利用正则表达式来处理一些字符串的方法案例等等。
一：正则表达式基本知识
在正则表达式中
1. 如果直接给出字符，就是精确匹配。
- 用
d可以匹配一个数字 - 用
w可以匹配一个字母或数字 - 用
.可以匹配任意字符
所以：
'00d'可以匹配'007'，但无法匹配'00A'；'ddd'可以匹配'010'；'wwd'可以匹配'py3'；'py.'可以匹配'pyc'、'pyo'、'py!'等等；
2. 要匹配变长的字符
- 用
*表示任意个字符（包括0个）， - 用
+表示至少一个字符， - 用
?表示0个或1个字符， - 用
{n}表示n个字符， - 用
{n,m}表示n-m个字符：
来看一个复杂的例子：d{3}s+d{3,8}，我们来从左到右解读一下：
1⃣.d{3}表示匹配3个数字，例如'010'；
2⃣.s可以匹配一个空格（也包括Tab等空白符），所以s+表示至少有一个空格，例如匹配' '，' '等；
3⃣.d{3,8}表示3-8个数字，例如'1234567'。
综合起来，上面的正则表达式可以匹配以任意个空格隔开的带区号的电话号码。
如果要匹配'010-12345'这样的号码呢？由于'-'是特殊字符，在正则表达式中，要用''转义，所以，上面的正则是d{3}-d{3,8}。
但是，仍然无法匹配'010 - 12345'，因为带有空格。所以我们需要更复杂的匹配方式。
二：进阶
要做更精确地匹配，可以用[]表示范围，比如：
[0-9a-zA-Z_]可以匹配一个数字、字母或者下划线；[0-9a-zA-Z_]+可以匹配至少由一个数字、字母或者下划线组成的字符串，比如'a100'，'0_Z'，'Py3000'等等；[a-zA-Z_][0-9a-zA-Z_]*可以匹配由字母或下划线开头，后接任意个由一个数字、字母或者下划线组成的字符串，也就是Python合法的变量；[a-zA-Z_][0-9a-zA-Z_]{0, 19}更精确地限制了变量的长度是1-20个字符（前面1个字符+后面最多19个字符）。
A|B可以匹配A或B，所以(P|p)ython可以匹配'Python'或者'python'。
^表示行的开头，^d表示必须以数字开头。
$表示行的结束，d$表示必须以数字结束。
你可能注意到了，py也可以匹配'python'，但是加上^py$就变成了整行匹配，就只能匹配'py'了。
2.特别补充：常用的正则表达式字符串
参考refs ，具体代码的使用参考第三字符串处理案例，
1⃣️ . 校验数字的表达式
1 数字：^[0-9]*$
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)$
2⃣️ . 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]+
3⃣️ . 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 ^https://([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或18位身份证：^d{15}|d{18}$
15位身份证：^[1-9]d{7}((0d)|(1[0-2]))(([0|1|2]d)|3[0-1])d{3}$
18位身份证：^[1-9]d{5}[1-9]d{3}((0d)|(1[0-2]))(([0|1|2]d)|3[0-1])d{4}$
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：ns*r (可以用来删除空白行)
29 HTML标记的正则表达式：<(S*?)[^>]*>.*?|<.*? /> (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)三：字符串处理案例
正则表达式字符串处理案例，前面1-5为Python语言处理的案例，往后则为Java中处理字符串的一些常用方法，可能会增加内容，会不定时更新，感兴趣的同学可以留意。
1. Python re模块
有了准备知识，我们就可以在Python中使用正则表达式了。Python提供re模块，包含所有正则表达式的功能。由于Python的字符串本身也用转义，所以要特别注意：
s = 'ABC-001' # Python的字符串
# 对应的正则表达式字符串变成：
# 'ABC-001'因此我们强烈建议使用Python的r前缀，就不用考虑转义的问题了：
s = r'ABC-001' # Python的字符串
# 对应的正则表达式字符串不变：
# 'ABC-001'先看看如何判断正则表达式是否匹配：
>>> import re
>>> re.match(r'^d{3}-d{3,8}$', '010-12345')
<_sre.SRE_Match object; span=(0, 9), match='010-12345'>
>>> re.match(r'^d{3}-d{3,8}$', '010 12345')
>>>match()方法判断是否匹配，如果匹配成功，返回一个Match对象，否则返回None。常见的判断方法就是：
test = '用户输入的字符串'
if re.match(r'正则表达式', test):
print('ok')
else:
print('failed')2 .Python 切分字符串
用正则表达式切分字符串比用固定的字符更灵活，请看正常的切分代码：
>>> 'a b c'.split(' ')
['a', 'b', '', '', 'c']嗯，无法识别连续的空格，用正则表达式试试：
>>> re.split(r's+', 'a b c')
['a', 'b', 'c']无论多少个空格都可以正常分割。加入,试试：
>>> re.split(r'[s,]+', 'a,b, c d')
['a', 'b', 'c', 'd']再加入;试试：
>>> re.split(r'[s,;]+', 'a,b;; c d')
['a', 'b', 'c', 'd']如果用户输入了一组标签，下次记得用正则表达式来把不规范的输入转化成正确的数组。
3. Python 分组
除了简单地判断是否匹配之外，正则表达式还有提取子串的强大功能。用()表示的就是要提取的分组（Group）。比如：
^(d{3})-(d{3,8})$分别定义了两个组，可以直接从匹配的字符串中提取出区号和本地号码：
>>> m = re.match(r'^(d{3})-(d{3,8})$', '010-12345')
>>> m
<_sre.SRE_Match object; span=(0, 9), match='010-12345'>
>>> m.group(0)
'010-12345'
>>> m.group(1)
'010'
>>> m.group(2)
'12345'如果正则表达式中定义了组，就可以在Match对象上用group()方法提取出子串来。
注意到group(0)永远是原始字符串，group(1)、group(2)……表示第1、2、……个子串。
提取子串非常有用。来看一个更凶残的例子：
>>> t = '19:05:30'
>>> m = re.match(r'^(0[0-9]|1[0-9]|2[0-3]|[0-9]):(0[0-9]|1[0-9]|2[0-9]|3[0-9]|4[0-9]|5[0-9]|[0-9]):(0[0-9]|1[0-9]|2[0-9]|3[0-9]|4[0-9]|5[0-9]|[0-9])$', t)
>>> m.groups()
('19', '05', '30')这个正则表达式可以直接识别合法的时间。但是有些时候，用正则表达式也无法做到完全验证，比如识别日期：
'^(0[1-9]|1[0-2]|[0-9])-(0[1-9]|1[0-9]|2[0-9]|3[0-1]|[0-9])$'对于'2-30'，'4-31'这样的非法日期，用正则还是识别不了，或者说写出来非常困难，这时就需要程序配合识别了。
4. Python 贪婪匹配
最后需要特别指出的是，正则匹配默认是贪婪匹配，也就是匹配尽可能多的字符。举例如下，匹配出数字后面的0：
>>> re.match(r'^(d+)(0*)$', '102300').groups()
('102300', '')由于d+采用贪婪匹配，直接把后面的0全部匹配了，结果0*只能匹配空字符串了。
必须让d+采用非贪婪匹配（也就是尽可能少匹配），才能把后面的0匹配出来，加个?就可以让d+采用非贪婪匹配：
>>> re.match(r'^(d+?)(0*)$', '102300').groups()
('1023', '00')5. Python 编译
当我们在Python中使用正则表达式时，re模块内部会干两件事情：
- 编译正则表达式，如果正则表达式的字符串本身不合法，会报错；
- 用编译后的正则表达式去匹配字符串。
如果一个正则表达式要重复使用几千次，出于效率的考虑，我们可以预编译该正则表达式，接下来重复使用时就不需要编译这个步骤了，直接匹配：
>>> import re
# 编译:
>>> re_telephone = re.compile(r'^(d{3})-(d{3,8})$')
# 使用：
>>> re_telephone.match('010-12345').groups()
('010', '12345')
>>> re_telephone.match('010-8086').groups()
('010', '8086')编译后生成Regular Expression对象，由于该对象自己包含了正则表达式，所以调用对应的方法时不用给出正则字符串。
6 .Java匹配一个以'#{'开头，以'#}'结尾的字符串，中间7个字符
public class TestDemo {
public static void main(String[] args) {
//匹配以#{开头，中间7个字符 ，以@结尾的字符串
boolean isMatch = Pattern.matches("^#{+.{7}@$", "#{sunstlf@");
System.out.println(isMatch);
//boolean isMatch = Pattern.matches("^#+.{7}@$", "#lifangf@");
// .为任意字符串， "^#+d{7}@$" 表示中间7位字符必须为数字
Pattern p = Pattern.compile("^#+.{7}@$");
Matcher matcher = p.matcher("#sun0609@");
System.out.println(matcher.find());
}
}7.数组相关
-- 留
非常感谢：廖雪峰的官方网站前辈。
正则表达式非常强大，短短一篇文章里讲完是不可能的，要讲清楚正则的所有内容，可以写一本厚厚的书，如果你经常遇到正则表达式的问题，你可能需要一本正则表达式的参考书。
所以本文知乎只是通俗易懂的介绍了编程开发中常用到的内容，总的来说就介绍到这里、//希望可以帮助到大家。
2020年5月补充说明：针对Java中操作正则注意事项
正则表达式使用不当，会造成ANR，这一点我在《Android内存泄漏分析与解决办法-持新》文章中也提及到了，做android开发的同学，大家要去阅读，这里再补充一下
java.util.regex 包使用了一种叫做 Nondeterministic Finite Automaton(NFA)（不确定性有穷自动机）的模式匹配引擎。它被认为是不确定的是因为在对给定字符串尝试匹配正则表达式时，输入的每个字符可能针对正则表达式的不同部分进行多次检查。
正则表达式被编译为内部数据接口，这个编译时一个耗时的过程
我们每次调用 String.matches(String regex) 方法时，制定的正则表达式都会重新编译。
这也是造成当前微信输入。。。。后ANR的直接原因，
if (input.matches(regexPattern)) {
// do something
} 我们可以看到，每次进行条件求值时，正则表达式将被编译，这样的直接结果就是：在第一次这样写请求会耗费很长时间（分特殊情况，简单的正则表达式除外）。
所以我们要对这方面进行优化：要进行优化，只能首先编译模式，然后创建一个Matcher来查找值中的匹配：
Pattern pattern = Pattern.compile(regexPattern);
for(String value : values) {
Matcher matcher = pattern.matcher(value);
if (matcher.matches()) {
// do something
}
} 当然我们也可以使用相同的Matcher示例及其reset()方法：
Pattern pattern = Pattern.compile(regexPattern);
Matcher matcher = pattern.matcher("");
for(String value : values) {
matcher.reset(value);
if (matcher.matches()) {
// do something
}
} 由于Matcher不是线程安全的情况，我们必须谨慎使用这种变体。在多线程场景中可能存在危险
说了这么多，总而言之，无论哪种情况，我们都保证在任何时间点都只有一个Matcher用例，可以用reset来重用它。对于这个例子，重复使用预编译已经足够了
使用正则表达式的预编译功能，可以有效加快正则匹配速度。使用static final Pattern要定义为静态变量，从而避免执行多次预编译
以下列举一个：验证邮箱格式是否正确的写法
private static final check = "^[A-Za-z0-9_]+([-+.][A-Za-z0-9_]+)*@[A-Za-z0-9_]+([-.][A-Za-z0-9_]+)*.[A-Za-z0-9_]+([-.][A-Za-z0-9_]+)*$";
static final Pattern regex = Pattern.compile(check);
public static boolean checkEmail(String email){
boolean flag = false;
Matcher matcher = regex.matcher(email);
flag = matcher.matches();
return flag;
}请尊重劳动成果，注意文中版权声明，Android专栏不定时更新，欢迎点击关注我知乎。也可以同时关注人工智能专栏，本内容作者sunst，有问题请沟通qyddai@gmail.com
作者：sunst 创建日期：2016-09-19 22:23 修改日期：2020-05-17 17:30
扫一扫
2002
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
