Java正则表达式之语法规则

正则表达式是一种强大而灵活的文本处理工具，使用正则表达式能够以编程的方式，构造复杂的文本模式，并对输入的字符串进行搜索。一旦找到了匹配这些模式的部分，就能够随心所欲地它们进行处理。正则表达式提供了一种完全通用的方式，能够解决各种字符串处理相关的问题：匹配、选择、编辑以及验证。

首先看一下JAVA中正则表达式的完整构造集，也可以参考java.util.regex.Pattern中的API说明。

字符
X	字符X
\\	反斜线字符
\0n	带有八进制值0的字符n(0<=n<=7)
\0nn	带有八进制值0的字符nn(0<=n<=7)
\0mnn	带有八进制值0的字符mnn（0<=m<=3、0<=n<=7）
\xhh	带有十六进制值0x的字符hh
\uhhhh	带有十六进制值0x的字符hhhh
\t	制表符('\u0009')
\n	新行（换行）符 ('\u000A')
\r	回车符('\u000D')
\f	换页符('\u000C')
\a	报警(bell)符('\u0007')
\e	转义符('\u001B')
\cx	对应于x的控制符

以上是字符的正则表达式，比如字符A在正则表达式的表示方式就是A，反斜线的正则表达式则为\\，所以如果想表示普通的\，正则表达式为\\\\。反斜线字符 ('\') 用于引用转义构造，如上表所定义的，同时还用于引用其他将被解释为非转义构造的字符。因此，表达式 \\ 与单个反斜线匹配，而 \{ 与左括号匹配。

在不表示转义构造的任何字母字符前使用反斜线都是错误的；它们是为将来扩展正则表达式语言保留的。可以在非字母字符前使用反斜线，不管该字符是否非转义构造的一部分。

根据 Java Language Specification 的要求，Java 源代码的字符串中的反斜线被解释为 Unicode转义或其他字符转义。因此必须在字符串字面值中使用两个反斜线，表示正则表达式受到保护，不被 Java 字节码编译器解释。例如，当解释为正则表达式时，字符串字面值 "\b"与单个退格字符匹配，而 "\\b" 与单词边界匹配。字符串字面值 "\(hello\)" 是非法的，将导致编译时错误；要与字符串 (hello) 匹配，必须使用字符串字面值 "\\(hello\\)"。

下面则为字符类的正则表达式，其表达的含义都比较直观明了。

字符类
[abc]	a、b或c（简单类）
[^abc]	任何字符，除了a、b或c（否定）
[a-zA-Z]	a到z或A到Z，两头的字母包括在内（范围）
[a-d[m-p]]	a到d或m到p：[a-dm-p]（并集）
[a-z&&[def]]	d、e或f（交集）
[a-z&&[^bc]]	a到z，除了b和c：[ad-z]（减去）
[a-z&&[^m-p]]	a到z，而非m到 p：[a-lq-z]（减去）

Java还预定义了一些字符类，这些字符类在正则表达式中可以直接使用，提供了简单方便的使用方式。

预定义字符类
点号（．）	任何字符（与行结束符可能匹配也可能不匹配）
\d	数字：[0-9]
\D	非数字：[^0-9]
\s	空白字符：[ \t\n\x0B\f\r]
\S	非空白字符：[^\s]
\w	单词字符：[a-zA-Z_0-9]
\W	非单词字符：[^\w]

其中行结束符是一个或两个字符的序列，标记输入字符序列的行结尾。以下代码被识别为行结束符：

·          新行（换行）符('\n')、

·          后面紧跟新行符的回车符 ("\r\n")、

·          单独的回车符 ('\r')、

·          下一行字符 ('\u0085')、

·          行分隔符 ('\u2028') 或

·          段落分隔符 ('\u2029)。

如果激活 UNIX_LINES 模式，则新行符是唯一识别的行结束符。

如果未指定 DOTALL 标志，则正则表达式 点号（．）可以与任何字符（行结束符除外）匹配。

默认情况下，正则表达式 ^ 和 $ 忽略行结束符，仅分别与整个输入序列的开头和结尾匹配。如果激活 MULTILINE 模式，则 ^ 在输入的开头和行结束符之后（输入的结尾）才发生匹配。处于 MULTILINE 模式中时，$ 仅在行结束符之前或输入序列的结尾处匹配。上面的 UNIX_LINES、DOTALL、MULTILINE都是在类Pattern中定义的常量，在方法compile(String regex,int flags)中指定编译模式。

边界匹配器
^	行的开头
$	行的结尾
\b	单词边界
\B	非单词边界
\A	输入的开头
\G	上一个匹配的结尾
\Z	输入的结尾，仅用于最后的结束符（如果有的话）
\z	输入的结尾

量词描述了一个模式吸收输入文本的方式，可以分为：贪婪型、勉强型和占有型。贪婪型表达式会为所有可能的模式发现尽可能多的匹配，勉强型用问号来指定，匹配满足模式所需的最少字符数，占用型只用在Java语言中才可用，当正则表达式被应用于字符串时，会产生相当多的状态以便在匹配失败时可以回溯。除非指定其它类型，否则量词总是贪婪型的。

贪婪型	勉强型	占有型	如何匹配
X?	X??	X?+	一个或零个X
X*	X*?	X*+	零个或多个x
X+	X+?	X++	一个或多个X
X{n}	X{n}?	X{n}+	恰好n次X
X{n,}	X{n,}?	X{n,}+	至少n次X
X{n,m}	X{n,m}?	X{n,m}+	X至少n次，且不超过m次

捕获组可以通过从左到右计算其开括号来编号。例如，在表达式 ((A)(B(C))) 中，存在四个这样的组：

1	((A)(B(C)))
2	\A
3	(B(C))
4	(C)

组零始终代表整个表达式。

之所以这样命名捕获组是因为在匹配中，保存了与这些组匹配的输入序列的每个子序列。捕获的子序列稍后可以通过\引用在表达式中使用，也可以在匹配操作完成后从匹配器获取。与组关联的捕获输入始终是与组最近匹配的子序列。

以 (?) 开头的组是纯的非捕获 组，它不捕获文本，也不针对组合计进行计数。

逻辑运算符
XY	X后跟Y
X|Y	X或Y
(X)	X作为捕获组，可以在表达式中用\i引用第i个捕获组