Java 基础：正则

1. 匹配字符串

正则表达式的最简单用法就是测试某个特定的字符串是否与它匹配：

Pattern pattern = Pattern.compile(patternString);
Matcher matcher = pattern.matcher(input);
if (matcher.matches()) ...

这个匹配器的输入可以是任何实现了 CharSequence 接口的类的对象，例如 String、StringBuilder 和 CharBuffer。

在编译模式时，还可以设置一个或多个标志，例如：

Pattern pattern = Pattern.compile(expression, Pattern.CASE_INSENSITIVE + Pattern.UNICODE_CASE);

也可以在模式中指定它们：

String regex = "(?iU:expression)";

• Pattern.CASE_INSENSITIVE or i：匹配字符时忽略字母的大小写，默认情况下，这个标志只考虑 US ASCII 字符；
• Pattern.UNICODE_CASE or u：当与 CASE_INSENSITIVE 组合使用时，用 Unicode 字母的大小写来匹配；
• Pattern.UNICODE_CHARACTER_CLASS or U：选择 Unicode 字符类代替 POSIX，其中蕴含了 UNICODE_CASE；
• Pattern.MULTILINE or m：^ 和 $ 匹配行的开头和结尾，而不是整个输入的开头和结尾；
• Pattern.UNIX_LINES or d：在多行模式中匹配 ^ 和 $ 时，只有 \n 被识别成行终止符；
• Pattern.DOTALL or s：当使用这个标志时，. 符号匹配所有字符，包括行终止符；
• Pattern.COMMENTS or x：空白字符和注释（从 # 到行末尾）将被忽略；
• Pattern.LITERAL：该模式将被逐字地采纳，必须精确匹配，因字母大小写而造成的差异除外；
• Pattern.CANON_EQ：考虑 Unicode 字符规范的等价性，例如，u 后面跟随 ¨（分音符号）匹配 ü；

Note：最后两个标志不能在正则表达式内部指定。

如果想要在集合或流中匹配元素，那么可以将模式转换为谓词（函数式接口）：

Stream<String> strings = ...;
Stream<String> result = strings.filter(pattern.asPredicate());

如果正则表达式包含群组，那么 Matcher 对象可以获取群组的边界：

int start(int groupIndex)
int start(String groupName)
int end(int groupIndex)
int end(String groupName)

可以直接通过调用下面的方法抽取匹配的字符串：

String group(int groupIndex)
String group(String groupName)

2. 找出多个匹配

如果想找出输入中一个或多个匹配的子字符串。这时可以使用 Matcher 类的 find 方法来查找匹配内容，如果返回 true，再使用 start 和 end 方法来查找匹配的内容，或使用不带参数的 group 方法来获取匹配的字符串。

while (matcher.find()) {
    int start = matcher.start();
    int end = matcher.end();
    String match = input.group();
    ...
}

更优雅的方法是调用 results 方法来获取一个 Stream<MatchResult>。MatchResult 接口有 group、start 和 end 方法，就像 Matcher 一样（事实上，Matcher 类也实现了 MatchResult 这个接口）。下面展示了如何获取所有匹配的列表：

List<String> matches = pattern.matcher(input)
    .results()
    .map(MatchResult::group)
    .collect(Collectors.toList());

如果要处理的是文件中的数据，那么可以使用 Scanner.findAll 方法来获取一个 Stream<MatchResult>，这样就无须先将内容读取到一个字符串中。可以给 Scanner 传递一个 Pattern 或一个模式字符串：

var in = new Scanner(path, StandardCharsets.UTF_8);
Stream<String> words = in.findAll("\\pL+").map(MatchResult::group);

3. 用分隔符来分割

可以使用 Pattern.split 方法，来将输入按匹配的分隔符断开，并得到一个字符串数组：

String input = ...;
Pattern commas = Pattern.compile("\\s*,\\s*");
String[] tokens = commas.split(input); // "1, 2, 3" turns into ["1", "2", "3"]

还可以惰性地获取它们：

Stream<String> tokens = commas.splitAsStream(input);

如果不关心预编译模式和惰性获取，那么可以使用 String.split 方法：

String[] tokens = input.split("\\s*,\\s*");

对于文件可以使用 Scanner：

var in = new Scanner(path, StandardCharsets.UTF_8);
in.useDelimiter("\\s*,\\s*");
Stream<String> tokens = in.tokens();

4. 替换匹配

Matcher 类的 replaceAll 方法将正则表达式匹配的所有地方都用替换字符串来替换：

Pattern pattern = Pattern.compile("[0-9]+");
Matcher matcher = pattern.matcher(input);
String output = matcher.replaceAll("#");

替换字符串可以包含对模式中群组的引用：$n 表示替换成第 n 个群组，${name} 被替换为具有给定名字的组，因此我们需要用 \$ 来表示在替换文本中包含一个 $ 字符。

如果字符串中包含 $ 和 \，但是又不希望它们被解释成群组的替换符，那么就可以调用 matcher.replaceAll(Matcher.quoteReplacement(str))。

如果想要执行比按照群组匹配拼接更复杂的操作，可以提供一个替换函数而不是替换字符串：

String result = Pattern.compile("\\pL{4,}")
    .matcher("Mary had a little lamb")
    .replaceAll(m -> m.group().toUpperCase());
    // Yields "MARY had a LITTLE LAMB"

replaceFirst 方法将只替换模式的第一次出现。