韩顺平Java | C27 正则表达式

入门介绍

需求：提取文本中某类字符
传统方法：遍历每个字符，判断其是否在ASCII码中某种类型得编码范围内，代码量大，效率不高

正则表达式(RegExp, regular expression)：处理文本的利器，是对字符串执行模式匹配的技术。java\javascript\php等语言都支持。

//假设爬虫获取内容
String content = "...";
//1 先创建一个Pattern模式对象，即一个正则表达式对象
//提取所有英文单词
Pattern pattern = Pattern.compile("[a-zA-Z]+");
//提取所有数字
Pattern pattern = Pattern.compile("[0-9]+");
//提取所有数字和英文单词
Pattern pattern = Pattern.compile("([0-9]+)|([a-zA-Z]+)");
//提取百度热搜的标题
Pattern pattern = Pattern.compile("<a target=\"_blank\" title=\"(\\S*)\"");
//提取文本中的ip地址
Pattern pattern = Pattern.compile("\\d+\\.\\d+\\.\\d+\\.\\d+")
//2 创建一个匹配器对象，按照模式到content中匹配，找到返回true，否则false
Matcher matcher = pattern.matcher(content);
//3 开始循环匹配
while (matcher.find()) {
	//匹配内容，文本，放到m.group(0)
	System.out.println("找到：" + matcher.group(0)); //热搜标题使用group(1)
}

正则底层实现

matcher.find()：定位满足指定规则的字符串，将找到的子字符串的开始缩影记录到matcher的属性int[] groups中groups[0]；把结束索引+1的值记录到groups[1]，同时记录为oldLast的值，作为下次find开始的位置。
group(int group)：根据groups[2 * group]和groups[2 * group + 1]从content截取字符串(前闭后开)并返回。

String regStr = "\\d\\d\\d\\d"; //4个任意数字
group(0) //返回content中[group[0], group(1))的子字符串

String regStr = "(\\d\\d)(\\d\\d)"; //表示分组1和2
//另外还会把第1组匹配到的子字符串的开始索引和结束索引+1的值记录到group[2]和group[3]；第2组对应值记录到group[4]和group[5]...
group(0) //返回匹配到的子字符串，content中[group[0], group(1))的子字符串
group(1) //返回匹配到的子字符串中的第1组，content中[group[2], group[3])的子字符串
group(2) //返回匹配到的子字符串中的第2组，content中[group[4], group[5])的子字符串