计算机程序的思维逻辑 (90) - 正则表达式 (下 - 剖析常见表达式)

介绍了正则表达式的语法,介绍了正则表达式相关的Java API,本节来讨论和分析一些常用的正则表达式,具体包括:

  • 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,正则表达式往往有多种写法,大多没有唯一正确的写法,本节的写法主要是示例。此外,写一个正则表达式,匹配希望匹配的内容往往比较容易,但让它不匹配不希望匹配的内容,则往往比较困难,也就是说,保证精确性经常是很难的,不过,很多时候,我们也没有必要写完全精确的表达式,需要写到多精确与你需要处理的文本和需求有关,另外,正则表达式难以表达的,可以通过写程序进一步处理。这么描述可能比较抽象,下面,我们会具体讨论分析。

    邮编

    邮编比较简单,就是6位数字,首位不能是0,所以表达式可以为:

    [1-9][0-9]{5}

     

     这个表达式可以用于验证输入是否为邮编,比如:

    public static Pattern ZIP_CODE_PATTERN = Pattern.compile(
            "[1-9][0-9]{5}");
    
    public static boolean isZipCode(String text) {
        return ZIP_CODE_PATTERN.matcher(text).matches();
    }

     

    但如果用于查找,这个表达式是不够的,看个例子:

    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:

    100013
    186123

     

    这怎么办呢?可以使用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:

    (?<![0-9])

     

    对于右边界,它右边的字符不能是数字,环视表达式为:

    (?![0-9])

     

    所以,完整的表达式可以为:

    (?<![0-9])[1-9][0-9]{5}(?![0-9])

     

    使用这个表达式,也就是说,将ZIP_CODE_PATTERN改为:

    public static Pattern ZIP_CODE_PATTERN = Pattern.compile(
            "(?<![0-9])" // 左边不能有数字
            + "[1-9][0-9]{5}"
            + "(?![0-9])"); // 右边不能有数字

     

    就可以输出期望的结果了。

    非0开头的6位数字就一定是邮编吗?答案当然是否定的,所以,这个表达式也不是精确的,如果需要更精确的验证,可以写程序进一步检查。

    手机号码

    中国的手机号码都是11位数字,所以,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3、4、5、7、8之一,所以,更精确的表达式是:

    1[3|4|5|7|8|][0-9]{9}

     

    为方便表达手机号,手机号中间经常有连字符(即减号'-'),形如:

    186-1234-5678

     

    为表达这种可选的连字符,表达式可以改为:

    1[3|4|5|7|8|][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,比如:

    018612345678
    +86 18612345678
    0086 18612345678

     

    为表达这种形式,可以在号码前加如下表达式:

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

     

    和邮编类似,如果为了抽取,也要在左右加环视边界匹配,左右不能是数字。所以,完整的表达式为:

    (?<![0-9])((0|\+86|0086)\s?)?1[3|4|5|7|8|][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[3|4|5|7|8|][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,中国的固定电话一般由两部分组成: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,表达式可以为:

    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,如以下形式:

    010-62265678
    (010)62265678

     

    整个区号是可选的,所以整个表达式为:

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

    日期的表示方式有很多种,我们只看一种,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可以为:

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

     

    年一般没有限制,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,有两种情况,1月到9月,表达式可以为:

    0?[1-9]

     

    10月到12月,表达式可以为:

    1[0-2]

     

    所以,月的表达式为:

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

     

    对于日,有三种情况:

  • 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]

  • 所以,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,格式如下:

    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]

     

    所以,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,其他是数字。

    一代身份证表达式可以为:

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

     

    二代身份证可以为:

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

     

    这两个表达式的前面部分是相同的,二代身份证多了如下内容:

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

     

    所以,它们可以合并为一个表达式,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

     

    符合这个要求的就一定是身份证号码吗?当然不是,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地址格式如下:

    192.168.3.5

     

    点号分隔,4段数字,每个数字范围是0到255。最简单的表达式为:

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

     

     \d{1,3}太简单,没有满足0到255之间的约束,要满足这个约束,就要分多种情况考虑。

    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,又要分为多种情况。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,如果第二位是0到4,则第三位没有限制,表达式为:

    2[0-4][0-9]

     

    如果第二位是5,则第三位取值为0到5,表达式为:

    25[0-5]

     

    所以,\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])

     

    所以,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,我们只考虑http协议,其通用格式是:

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

     

    开始是http://,接着是主机名,主机名之后是可选的端口,再之后是可选的路径,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

     

    主机名中的字符可以是字母、数字、减号和点号,所以表达式可以为:

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

     

    端口部分可以写为:

    (:\d+)?

     

    路径由多个子路径组成,每个子路径以/开头,后跟零个或多个非/的字符,简单的说,表达式可以为:

    (/[^/]*)*

     

    更精确的说,把所有允许的字符列出来,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,把所有允许的字符列出来,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情况下才能出现,其模式为:

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

     

    所以,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$.+!*'(),%;:@&=]*" // 第一层路径
                + "(/[-\\w$.+!*'(),%;:@&=]*)*" // 可选的其他层路径
                + "(\\?[-\\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,我们先看一些实际中常用的。

    比如新浪邮箱,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?可以为:

    [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");

     

    我们再来看QQ邮箱,它对于用户名的要求为:

  • 3-18字符,可使用英文、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

  • 如果只有第一条,可以为:

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

     

    为满足第二条,可以改为:

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

     

    怎么满足第三条呢?可以使用边界环视,左边加如下表达式:

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

     

    完整表达式可以为:

    (?![-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,一般的邮箱是什么规则呢?一般而言,以@作为分隔符,前面是用户名,后面是域名。

    用户名的一般规则是:

  • 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

  • 比如:

    h_llo-abc.good@example.com

     

    这个表达式可以为:

    [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,表达式可以为:

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

     

    对于域名的其他点号分隔的部分,每个部分一般由字母、数字、减号组成,但减号不能在开头,长度不能超过63个字符,表达式可以为:

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

     

    所以,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编号一般位于\u4e00和\u9fff之间,所以匹配任意一个中文字符的表达式可以为:

    [\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,有些可以直接使用,有些需要根据具体文本和需求进行调整。

    至此,关于正则表达式,我们就介绍完了,相信你对正则表达式一定有了一个更为清晰透彻的理解!

    在之前的章节中,我们都是基于Java 7讨论的,从下节开始,我们探讨Java 8的一些特性,尤其是函数式编程。

    (与其他章节一样,本节所有代码位于 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,深入浅出,老马和你一起探索Java编程及计算机技术的本质。用心原创,保留所有版权。

    来源:itnose

上一篇: 求教如何用for循环实例一堆对象

下一篇: spring MVC如何获取session传值到前台

分享到: 更多