By

Contents
  1. 1. 组的概念
    1. 1.1. Java中根据组来抽取字符串

正则表达式的作用在我看来是：匹配、查找、替换三种。使用正则表达式也算是粗粗入门了，至少已经可以写一些简单的表达式来进行字符串的匹配了，而且也会从网络上拷贝别人的一些比较复杂的表达式……那么就学习一些进阶的东西吧。包括 捕获组和非捕获组，匹配模式解析。

组的概念

首先了解正则表达式中组的概念，在正则表示中组的应用是非常广泛的，只是我们经常没有在意组的真正用法：抽取字符串。一般我们使用正则表达式都只是使用它的匹配功能，只需要验证目标文本是否符合要求。那么如果我们要应用到正则表达式的抽取字符串和替换的时候，组就可以提供我们正确的获得查找结果。
Java中组是使用()来表示，一个()表示一个组，在匹配过程中，是依次按照组进行文本匹配，当匹配到当前组之后，就会使用余下的文本来匹配下一个组。

###捕获组
顾名思义，捕获组就是会捕获我们需要匹配的字符串进而提供给我们抽取。
如果有一个正则表达(\\w+)(\\d{3}).*，那么这个表达式中包含3个捕获组，分别为代表整个表达式的组0：\\w\\d{3}.* 组1为\\w+ 这里表示匹配一个或多个字符，组2为\\d{3}匹配正好3个数字字符。那么我们可以用这个表达式去抽取文本中的连续的三个数字。

###非捕获组
以上提到的组都是属于捕获组，就是会匹配这个组的字符串，并且抽取到组中。Java中还有非捕获组的概念，即是一个非的概念。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。就是说，如果小括号中以?号开头，那么这个分组就不会抽取文本。Java中支持的非捕获组并不多（请忽略专业的概念术语）

  • (?=X) X，通过零宽度的正 lookahead 即左侧匹配
  • (?!X) X，通过零宽度的负 lookahead 即左侧匹配
  • (?<=X) X，通过零宽度的正 lookbehind 即右侧匹配
  • (?<!X) X，通过零宽度的负 lookbehind 即右侧匹配

非捕获组中四个表达式的区别：

  • (?=X ) 和(?!X)用于右侧匹配
  • (?<=X)和(?<!X)用于左侧匹配

被非捕获组匹配的到的字符串，最后是不会被抽取出来的。所以非捕获组是应用于更加精确的定位某段字符串而存在的。下面是几个非捕获组的范例
匹配用字符串： abc12dd344oo

  • (?<=abc)(\\d+) 匹配左侧为abc的数字串，分组为组(1) = 12
  • (?<!abc)(\\d+) 匹配左侧不是abc的数字串，分组为组（1） = 2. 注意这个正则表达式会导致匹配失控，因为可以匹配到的分组有两个，一般这种会失控的表达式是不提倡的。
  • (\\d+)(?=dd) 匹配右侧为dd的数字串， 分组为组（1） = 12
  • (\\d+)(?!dd) 匹配右侧不是dd的数字串， 分组为组（1） = 1. 同样，这个表达式在Java中是会失控，因为我们期望匹配344.

Java中根据组来抽取字符串

字符串的抽取需要用到java中的Pattern和Matcher来进行。

Pattern pattern = Pattern.compile(“\\w+(\\d{3}).*”);
Matcher matcher = pattern.matcher(“aaaa123aaaa”);
if(matcher.find()){
    String nums = matcher.group(1);
}

其中Matcher.group(int)方法中传入的就是这个要查找的组的序号。如果传入的序号大于表达式中组的实际个数，那么会抛出异常。

##匹配模式
在有了组的基本概念之后，再来讨论Java中的正则表达式在匹配中使用到的三种模式

###贪婪模式
没有加上其他模式标识的普通模式就是贪婪模式，在日常应用中我们最常用的模式就贪婪模式。贪婪模式总是尽可能的去匹配文本，以期望能够返回匹配成功。贪婪模式其实效率最为差的一种模式，因为在匹配过程中他首先从整个文本开始进行匹配，然后会大量的回溯文本，并且是一个一个字符进行回溯，越是长的文本，在贪婪模式下匹配效率越差。

###勉强模式
与贪婪模式相反，该模式是从第一个字符开始向后进行匹配，只是匹配尽量少的文本，所以除非最差的情况下，该模式的匹配次数会比贪婪模式少。勉强模式的标识是在传统的贪婪模式的组表达式后面增加一个? 。

###占有模式
这种模式是Java特有的模式，它只会对整个文本匹配一次，不会回溯。这种模式的速度是最快的，因为只是匹配一次。Java编程思想中提到，这个模式可以防止正则表达式失控，也可以减少匹配过程中因为要保存回溯信息而占用的空间。占有模式的标识是在传统的贪婪模式组表达式后面增加一个+ 。

###模式在文本匹配中的影响

对应同一个文本，不同的模式会返回不同的匹配结果.假定要分析的字符串是xfooxxxxxxfoo(来源网络）

  • 模式.*foo （贪婪模式）: 模式分为子模式p1(.*)和子模式p2(foo)两个部分. 其中p1中的量词匹配方式使用默认方式(贪婪型)。匹配开始时,吃入所有字符xfooxxxxxx去匹配子模式p1。匹配成功,但这样以来就没有了字符串去匹配子模式p2。本轮匹配失败；第二轮：减少p1部分的匹配量，吐出最后一个字符, 把字符串分割成xfooxxxxxxfo和o两个子字符串s1和s2。 s1匹配p1, 但s2不匹配p2。本轮匹配失败；第三轮，再次减少p1部分匹配量，吐出两个字符, 字符串被分割成xfooxxxxxxfo和oo两部分。结果同上。第四轮，再次减少p1匹配量, 字符串分割成xfooxxxxxx和foo两个部分, 这次s1/s2分别和p1/p2匹配。停止尝试,返回匹配成功。
  • 模式.*?foo （勉强模式）: 最小匹配方式。第一次尝试匹配, p1由于是0或任意次，因此被忽略，用字符串去匹配p2,失败；第二次，读入第一个字符x, 尝试和p1匹配, 匹配成功; 字符串剩余部分fooxxxxxxfoo中前三个字符和p2也是匹配的. 因此, 停止尝试, 返回匹配成功。在这种模式下，如果对剩余字符串继续去寻找和模式相匹配的子字符串，还会找到字符串末尾的另一个xfoo，而在贪婪模式下，由于第一次匹配成功的子串就已经是所有字符，因此不存在第二个匹配子串。
  • 模式.*+foo （占有模式）:匹配开始时读入所有字符串, 和p1匹配成功, 但没有剩余字符串去和p2匹配。因此, 匹配失败。返回。

再看下面一个例子：贪婪模式与占有模式的比较

正则：\w+[a-z]与\w++[a-z]
目标串：232hjdhfd7474$

分析:

  • \w+[a-z]：\w+属于贪婪模式，会一次性吃掉它所能吃掉的所有的字符，也就是子串232hjdhfd7474，此时[a-z]不能够找到匹配了，故\w+匹配的串会吐出一个字符4，但此时还是得不到匹配。反复的这样吐出回退，直到吐出字符d时，此时[a-z]能够匹配h，所以这时正则表达式会返回一次成功的匹配结果，为232hjdhfd
  • \w++[a-z]：\w++属于侵占模式，它会一次性吃掉它所能够吃掉的所有字符，即子串232hjdhfd7474，而且不留给其他部分使用，故不会回退。此时[a-z]不能够找到匹配，所以此次匹配失败。在余下的子串中也找不到能匹配成功的子串。所以整个正则表达式是找不到匹配结果的！
Contents
  1. 1. 组的概念
    1. 1.1. Java中根据组来抽取字符串