電腦程式的思維邏輯 (90) - 正則表達式 (下 - 剖析常見表達式)

来源:http://www.cnblogs.com/swiftma/archive/2017/06/22/7062987.html
-Advertisement-
Play Games

本節詳細討論和分析一些常見的正則表達式，包括郵編、日期和時間、手機和固定電話、身份證、Email地址、IP地址、URL和中文字元。 ...


​88節介紹了正則表達式的語法，上節介紹了正則表達式相關的Java API，本節來討論和分析一些常用的正則表達式，具體包括：

  • 郵編
  • 電話號碼，包括手機號碼和固定電話號碼
  • 日期和時間
  • 身份證
  • IP地址
  • URL
  • Email地址
  • 中文字元

對於同一個目的，正則表達式往往有多種寫法，大多沒有唯一正確的寫法，本節的寫法主要是示例。此外，寫一個正則表達式，匹配希望匹配的內容往往比較容易，但讓它不匹配不希望匹配的內容，則往往比較困難，也就是說，保證精確性經常是很難的，不過，很多時候，我們也沒有必要寫完全精確的表達式，需要寫到多精確與你需要處理的文本和需求有關，另外，正則表達式難以表達的，可以通過寫程式進一步處理。這麼描述可能比較抽象，下麵，我們會具體討論分析。

郵編

郵編比較簡單，就是6位數字，首位不能是0，所以表達式可以為：

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

 這個表達式可以用於驗證輸入是否為郵編，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();
}

但如果用於查找，這個表達式是不夠的，看個例子：

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("郵編 100013，電話18612345678");
}

文本中只有一個郵編，但輸出卻為：

100013
186123

這怎麼辦呢？可以使用88節介紹的環視邊界匹配，對於左邊界，它前面的字元不能是數字，環視表達式為：

(?<![0-9])

對於右邊界，它右邊的字元不能是數字，環視表達式為：

(?![0-9])

所以，完整的表達式可以為：

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

使用這個表達式，也就是說，將ZIP_CODE_PATTERN改為：

public static Pattern ZIP_CODE_PATTERN = Pattern.compile(
        "(?<![0-9])" // 左邊不能有數字
        + "[1-9][0-9]{5}"
        + "(?![0-9])"); // 右邊不能有數字

就可以輸出期望的結果了。

非0開頭的6位數字就一定是郵編嗎？答案當然是否定的，所以，這個表達式也不是精確的，如果需要更精確的驗證，可以寫程式進一步檢查。

手機號碼

中國的手機號碼都是11位數字，所以，最簡單的表達式就是：

[0-9]{11}

不過，目前手機號第1位都是1，第2位取值為3、4、5、7、8之一，所以，更精確的表達式是：

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

為方便表達手機號，手機號中間經常有連字元(即減號'-')，形如：

186-1234-5678

為表達這種可選的連字元，表達式可以改為：

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

在手機號前面，可能還有0、+86或0086，和手機號碼之間可能還有一個空格，比如：

018612345678
+86 18612345678
0086 18612345678

為表達這種形式，可以在號碼前加如下表達式：

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

和郵編類似，如果為了抽取，也要在左右加環視邊界匹配，左右不能是數字。所以，完整的表達式為：

(?<![0-9])((0|\+86|0086)\s?)?1[3|4|5|7|8|][0-9]-?[0-9]{4}-?[0-9]{4}(?![0-9])

用Java表示的代碼為：

public static Pattern MOBILE_PHONE_PATTERN = Pattern.compile(
        "(?<![0-9])" // 左邊不能有數字
        + "((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])"); // 右邊不能有數字

固定電話

不考慮分機，中國的固定電話一般由兩部分組成：區號和市內號碼，區號是3到4位，市內號碼是7到8位。區號以0開頭，表達式可以為：

0[0-9]{2,3}

市內號碼表達式為：

[0-9]{7,8}

區號可能用括弧包含，區號與市內號碼之間可能有連字元，如以下形式：

010-62265678
(010)62265678

整個區號是可選的，所以整個表達式為：

(\(?0[0-9]{2,3}\)?-?)?[0-9]{7,8}

再加上左右邊界環視，完整的Java表示為：

public static Pattern FIXED_PHONE_PATTERN = Pattern.compile(
        "(?<![0-9])" // 左邊不能有數字
        + "(\\(?0[0-9]{2,3}\\)?-?)?" // 區號
        + "[0-9]{7,8}"// 市內號碼
        + "(?![0-9])"); // 右邊不能有數字

日期

日期的表示方式有很多種，我們只看一種，形如：

2017-06-21
2016-11-1

年月日之間用連字元分隔，月和日可能只有一位。

最簡單的正則表達式可以為：

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

年一般沒有限制，但月只能取值1到12，日只能取值1到31，怎麼表達這種限制呢？

對於月，有兩種情況，1月到9月，表達式可以為：

0?[1-9]

10月到12月，表達式可以為：

1[0-2]

所以，月的表達式為：

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

對於日，有三種情況：

  • 1到9號，表達式為：0?[1-9]
  • 10號到29號，表達式為：[1-2][0-9]
  • 30號和31號，表達式為：3[01]

所以，整個表達式為：

\d{4}-(0?[1-9]|1[0-2])-(0?[1-9]|[1-2][0-9]|3[01])

加上左右邊界環視，完整的Java表示為：

public static Pattern DATE_PATTERN = Pattern.compile(
        "(?<![0-9])" // 左邊不能有數字
        + "\\d{4}-" // 年
        + "(0?[1-9]|1[0-2])-" // 月
        + "(0?[1-9]|[1-2][0-9]|3[01])"// 日
        + "(?![0-9])"); // 右邊不能有數字

時間

考慮24小時制，只考慮小時和分鐘，小時和分鐘都用固定兩位表示，格式如下：

10:57

基本表達式為：

\d{2}:\d{2}

小時取值範圍為0到23，更精確的表達式為：

([0-1][0-9]|2[0-3])

 分鐘取值範圍為0到59，更精確的表達式為：

[0-5][0-9]

所以，整個表達式為：

([0-1][0-9]|2[0-3]):[0-5][0-9]

加上左右邊界環視，完整的Java表示為：

public static Pattern TIME_PATTERN = Pattern.compile(
        "(?<![0-9])" // 左邊不能有數字
        + "([0-1][0-9]|2[0-3])" // 小時
        + ":" + "[0-5][0-9]"// 分鐘
        + "(?![0-9])"); // 右邊不能有數字

身份證

身份證有一代和二代之分，一代是15位數字，二代是18位，都不能以0開頭，對於二代身份證，最後一位可能為x或X，其他是數字。

一代身份證表達式可以為：

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

二代身份證可以為：

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

這兩個表達式的前面部分是相同的，二代身份證多瞭如下內容：

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

所以，它們可以合併為一個表達式，即：

[1-9][0-9]{14}([0-9]{2}[0-9xX])?

加上左右邊界環視，完整的Java表示為：

public static Pattern ID_CARD_PATTERN = Pattern.compile(
        "(?<![0-9])" // 左邊不能有數字
        + "[1-9][0-9]{14}" // 一代身份證
        + "([0-9]{2}[0-9xX])?" // 二代身份證多出的部分
        + "(?![0-9])"); // 右邊不能有數字

符合這個要求的就一定是身份證號碼嗎？當然不是，身份證還有一些更為具體的要求，本文就不探討了。

IP地址

IP地址格式如下：

192.168.3.5

點號分隔，4段數字，每個數字範圍是0到255。最簡單的表達式為：

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

 \d{1,3}太簡單，沒有滿足0到255之間的約束，要滿足這個約束，就要分多種情況考慮。

值是1位數，前面可能有0到2個0，表達式為：

0{0,2}[0-9]

值是兩位數，前面可能有一個0，表達式為：

0?[0-9]{2}

值是三位數，又要分為多種情況。以1開頭的，後兩位沒有限制，表達式為：

1[0-9]{2}

以2開頭的，如果第二位是0到4，則第三位沒有限制，表達式為：

2[0-4][0-9]

如果第二位是5，則第三位取值為0到5，表達式為：

25[0-5]

所以，\d{1,3}更為精確的表示為：

(0{0,2}[0-9]|0?[0-9]{2}|1[0-9]{2}|2[0-4][0-9]|25[0-5])

所以，加上左右邊界環視，IP地址的完整Java表示為：

public static Pattern IP_PATTERN = Pattern.compile(
        "(?<![0-9])" // 左邊不能有數字
        + "((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])"); // 右邊不能有數字    

URL

URL的格式比較複雜，其規範定義在https://tools.ietf.org/html/rfc1738，我們只考慮http協議，其通用格式是：

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

開始是http://，接著是主機名，主機名之後是可選的埠，再之後是可選的路徑，路徑後是可選的查詢字元串，以?開頭。

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

主機名中的字元可以是字母、數字、減號和點號，所以表達式可以為：

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

埠部分可以寫為：

(:\d+)?

路徑由多個子路徑組成，每個子路徑以/開頭，後跟零個或多個非/的字元，簡單的說，表達式可以為：

(/[^/]*)*

更精確的說，把所有允許的字元列出來，表達式為：

(/[-\w$.+!*'(),%;:@&=]*)*

對於查詢字元串，簡單的說，由非空字元串組成，表達式為：

\?[\S]*

更精確的，把所有允許的字元列出來，表達式為：

\?[-\w$.+!*'(),%;:@&=]*

路徑和查詢字元串是可選的，且查詢字元串只有在至少存在一個路徑的情況下才能出現，其模式為：

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

所以，路徑和查詢部分的簡單表達式為：

(/[^/]*(/[^/]*)*(\?[\S]*)?)?

精確表達式為：

(/[-\w$.+!*'(),%;:@&=]*(/[-\w$.+!*'(),%;:@&=]*)*(\?[-\w$.+!*'(),%;:@&=]*)?)?

HTTP的完整Java表達式為：

public static Pattern HTTP_PATTERN = Pattern.compile(
        "http://" + "[-0-9a-zA-Z.]+" // 主機名
        + "(:\\d+)?" // 埠
        + "(" // 可選的路徑和查詢 - 開始
            + "/[-\\w$.+!*'(),%;:@&=]*" // 第一層路徑
            + "(/[-\\w$.+!*'(),%;:@&=]*)*" // 可選的其他層路徑
            + "(\\?[-\\w$.+!*'(),%;:@&=]*)?" // 可選的查詢字元串
        + ")?"); // 可選的路徑和查詢 - 結束

Email地址

完整的Email規範比較複雜，定義在https://tools.ietf.org/html/rfc822，我們先看一些實際中常用的。

比如新浪郵箱，它的格式如：

[email protected]

對於用戶名部分，它的要求是：4-16個字元，可使用英文小寫、數字、下劃線，但下劃線不能在首尾。

怎麼驗證用戶名呢？可以為：

[a-z0-9][a-z0-9_]{2,14}[a-z0-9]

新浪郵箱的完整Java表達式為：

public static Pattern SINA_EMAIL_PATTERN = Pattern.compile(
        "[a-z0-9]" 
        + "[a-z0-9_]{2,14}"
        + "[a-z0-9]@sina\\.com");       

我們再來看QQ郵箱，它對於用戶名的要求為：

  • 3-18字元，可使用英文、數字、減號、點或下劃線
  • 必須以英文字母開頭，必須以英文字母或數字結尾
  • 點、減號、下劃線不能連續出現兩次或兩次以上

如果只有第一條，可以為：

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

為滿足第二條，可以改為：

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

怎麼滿足第三條呢？可以使用邊界環視，左邊加如下表達式：

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

完整表達式可以為：

(?![-0-9a-zA-Z._]*(--|\.\.|__))[a-zA-Z][-0-9a-zA-Z._]{1,16}[a-zA-Z0-9]

QQ郵箱的完整Java表達式為：

public static Pattern QQ_EMAIL_PATTERN = Pattern.compile(
        "(?![-0-9a-zA-Z._]*(--|\\.\\.|__))" // 點、減號、下劃線不能連續出現兩次或兩次以上
        + "[a-zA-Z]" // 必須以英文字母開頭
        + "[-0-9a-zA-Z._]{1,16}" // 3-18位 英文、數字、減號、點、下劃線組成
        + "[a-zA-Z0-9]@qq\\.com"); // 由英文字母、數字結尾

以上都是特定郵箱服務商的要求，一般的郵箱是什麼規則呢？一般而言，以@作為分隔符，前面是用戶名，後面是功能變數名稱。

用戶名的一般規則是：

  • 由英文字母、數字、下劃線、減號、點號組成
  • 至少1位，不超過64位
  • 開頭不能是減號、點號和下劃線

比如：

[email protected]

這個表達式可以為：

[0-9a-zA-Z][-._0-9a-zA-Z]{0,63}

功能變數名稱部分以點號分隔為多個部分，至少有兩個部分。最後一部分是頂級功能變數名稱，由2到3個英文字母組成，表達式可以為：

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

對於功能變數名稱的其他點號分隔的部分，每個部分一般由字母、數字、減號組成，但減號不能在開頭，長度不能超過63個字元，表達式可以為：

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

所以，功能變數名稱部分的表達式為：

([0-9a-zA-Z][-0-9a-zA-Z]{0,62}\.)+[a-zA-Z]{2,3}

完整的Java表示為：

public static Pattern GENERAL_EMAIL_PATTERN = Pattern.compile(
        "[0-9a-zA-Z][-._0-9a-zA-Z]{0,63}" // 用戶名
        + "@"
        + "([0-9a-zA-Z][-0-9a-zA-Z]{0,62}\\.)+" // 功能變數名稱部分
        + "[a-zA-Z]{2,3}"); // 頂級功能變數名稱     

中文字元

中文字元的Unicode編號一般位於\u4e00和\u9fff之間，所以匹配任意一個中文字元的表達式可以為：

[\u4e00-\u9fff]

Java表達式為：

public static Pattern CHINESE_PATTERN = Pattern.compile(
        "[\\u4e00-\\u9fff]");

小結

本節詳細討論和分析了一些常見的正則表達式，在實際開發中，有些可以直接使用，有些需要根據具體文本和需求進行調整。

至此，關於正則表達式，我們就介紹完了，相信你對正則表達式一定有了一個更為清晰透徹的理解！

在之前的章節中，我們都是基於Java 7討論的，從下節開始，我們探討Java 8的一些特性，尤其是函數式編程。

(與其他章節一樣，本節所有代碼位於 https://github.com/swiftma/program-logic，位於包shuo.laoma.regex.c90下)

----------------

未完待續，查看最新文章，敬請關註微信公眾號“老馬說編程”(掃描下方二維碼)，從入門到高級，深入淺出，老馬和你一起探索Java編程及電腦技術的本質。用心原創，保留所有版權。


您的分享是我們最大的動力!

-Advertisement-
Play Games
更多相關文章
  • 第12章 定時任務
    本文目錄： 12.1 配置定時任務 12.2 crontab file 12.3 crond命令的調試 12.4 精確到秒的任務計劃 12.1 配置定時任務 首先需弄清的概念： (1).crond是一個daemon類程式，路徑為/usr/sbin/crond。預設會以後臺方式啟動，service或s ...
  • 第11章 服務管理
    本文目錄： 11.1 服務的概念 11.2 管理獨立守護進程 11.3 管理服務的開機自啟動 11.4 管理xinetd及相關瞬時守護進程 11.5 CentOS 7上管理服務 CentOS 7和CentOS 6管理服務的方式完全不同。本文先說明CentOS 6上的管理方式，在最後列出CentOS ...
  • 用AutoHotkey實現Excel從表B提取匹配數據到表A
    說明：為表述方便，待填的表為【表A】，資料庫的表稱為【表B】。該工具可以快捷地從【表B】中提取相關數據到【表A】，順序和列可自定義。 使用方法：1、打開【ExcelGetFromB.exe】(如要打開示例則根據文字提示跳過步驟2)2、打開【表A】和【表B】(如果打開2個以上Excel表，需要在【設置 ...
  • 第10章 系統狀態統計和查看
    本文目錄： 10.1 /proc的意義及說明 10.2 查看進程信息 10.2.1 pstree命令 10.2.2 ps命令 10.2.3 ps後grep問題 10.2.4 top、htop以及iftop命令 10.3 vmstat命令 10.4 iostat命令 10.5 sar命令 10.5.1 ...
  • 第9章 進程和信號
    本文目錄： 9.1 進程的簡單說明 9.11 進程和程式的區別 9.12 多任務和cpu時間片 9.13 父子進程及創建進程的方式 9.14 進程的狀態 9.15 舉例分析進程狀態轉換過程 9.16 進程結構和子shell 9.2 job任務 9.3 終端和進程的關係 9.4 信號 9.41 需知道 ...
  • linux學習筆記
    學習網址：http://c.biancheng.net/cpp/html/2728.html 1.在當前目錄下添加多重文件夾： ...
  • ubuntu16.04-x64系統中Jexus web server部署.NetCore和埠分析引發的猜想！
    您有這樣的牢騷麽？ 有一周沒更新博客了，簡單說下在乾什麼吧；主要是公司安排對接某旅游大公司的介面，介面數量倒也就10個左右，對接完後還需要加入到業務系統中和App端，因此還是需要花點時間的；時間上來說業務需求安排在6月最後一周上線，整個3周的時間，就本人一人負責，由於在這之前對接過另外一個公司介面， ...
  • WCF學習——構建一個簡單的WCF應用（二）
    我們接著上一篇文章進行講解 http://www.cnblogs.com/songjianhui/p/7060698.html 一：客戶端通過添加引用調用服務 WCF應用服務被成功寄宿後，WCF服務應用便開始了服務調用請求的監聽工作。此外，服務寄宿將服務描述通過元數據的形式發佈出來，相應的客戶端就可 ...
一周排行
    -Advertisement-
    Play Games
  • 移動開發（一）：使用.NET MAUI開發第一個安卓APP
    移動開發（一）：使用.NET MAUI開發第一個安卓APP 對於工作多年的C#程式員來說，近來想嘗試開發一款安卓APP，考慮了很久最終選擇使用.NET MAUI這個微軟官方的框架來嘗試體驗開發安卓APP，畢竟是使用Visual Studio開發工具，使用起來也比較的順手，結合微軟官方的教程進行了安卓 ...
  • wpf ToggleButton選中效果和一個登錄界面
    前言 QuestPDF 是一個開源 .NET 庫，用於生成 PDF 文檔。使用了C# Fluent API方式可簡化開發、減少錯誤並提高工作效率。利用它可以輕鬆生成 PDF 報告、發票、導出文件等。 項目介紹 QuestPDF 是一個革命性的開源 .NET 庫，它徹底改變了我們生成 PDF 文檔的方 ...
  • 彈幕樹洞項目功能新增篇
    項目地址 項目後端地址： https://github.com/ZyPLJ/ZYTteeHole 項目前端頁面地址： ZyPLJ/TreeHoleVue (github.com) https://github.com/ZyPLJ/TreeHoleVue 目前項目測試訪問地址： http://tree ...
  • 第27篇 sqlserver2022詳細安裝步驟
    話不多說，直接開乾 一.下載 1.官方鏈接下載： https://www.microsoft.com/zh-cn/sql-server/sql-server-downloads 2.在下載目錄中找到下麵這個小的安裝包 SQL2022-SSEI-Dev.exe，運行開始下載SQL server； 二. ...
  • .NET 開源高性能 MQTT 類庫
    前言 隨著物聯網（IoT）技術的迅猛發展，MQTT（消息隊列遙測傳輸）協議憑藉其輕量級和高效性，已成為眾多物聯網應用的首選通信標準。 MQTTnet 作為一個高性能的 .NET 開源庫，為 .NET 平臺上的 MQTT 客戶端與伺服器開發提供了強大的支持。 本文將全面介紹 MQTTnet 的核心功能 ...
  • Serilog文檔翻譯系列（六） - 可用的接收器、增強器、格式化輸出
    Serilog支持多種接收器用於日誌存儲，增強器用於添加屬性，LogContext管理動態屬性，支持多種輸出格式包括純文本、JSON及ExpressionTemplate。還提供了自定義格式化選項，適用於不同需求。 ...
  • 警惕 Visual Studio 屬性求值副作用導致邏輯不符合預期
    目錄簡介獲取 HTML 文檔解析 HTML 文檔測試參考文章 簡介 動態內容網站使用 JavaScript 腳本動態檢索和渲染數據，爬取信息時需要模擬瀏覽器行為，否則獲取到的源碼基本是空的。 本文使用的爬取步驟如下： 使用 Selenium 獲取渲染後的 HTML 文檔 使用 HtmlAgility ...
  • [使用目前最新版]HybridCLR6.9.0+YooAsset2.2.4實現純C# Unity熱更新方案 (一)
    1.前言 什麼是熱更新 游戲或者軟體更新時，無需重新下載客戶端進行安裝，而是在應用程式啟動的情況下，在內部進行資源或者代碼更新 Unity目前常用熱更新解決方案 HybridCLR，Xlua，ILRuntime等 Unity目前常用資源管理解決方案 AssetBundles，Addressable， ...
  • 在 ASP.NET Core Web API 中使用操作篩選器統一處理通用操作
    本文章主要是在C# ASP.NET Core Web API框架實現向手機發送驗證碼簡訊功能。這裡我選擇是一個互億無線簡訊驗證碼平臺，其實像阿裡雲，騰訊雲上面也可以。 首先我們先去 互億無線 https://www.ihuyi.com/api/sms.html 去註冊一個賬號 註冊完成賬號後，它會送 ...
  • 第28篇 如何.net中實現高效可靠數據同步api
    通過以下方式可以高效，並保證數據同步的可靠性 1.API設計 使用RESTful設計，確保API端點明確，並使用適當的HTTP方法（如POST用於創建，PUT用於更新）。 設計清晰的請求和響應模型，以確保客戶端能夠理解預期格式。 2.數據驗證 在伺服器端進行嚴格的數據驗證，確保接收到的數據符合預期格 ...
所有分類