摘要：正則表達(dá)式等待匹配的字符這里可以輸入任何繼承了的類返回一個(gè)值說(shuō)明是否匹配這里需要注意的是，和均不允許通過(guò)構(gòu)造器新建一個(gè)對(duì)象。

之前一直想要做一個(gè)自己的爬蟲，然后從nba數(shù)據(jù)相關(guān)的網(wǎng)上【虎撲，騰訊，官網(wǎng)等，要視網(wǎng)站是否支持】爬點(diǎn)數(shù)據(jù)寫數(shù)據(jù)分析和圖形化展示。雖然年輕的時(shí)候就實(shí)現(xiàn)過(guò)這個(gè)功能，但是當(dāng)時(shí)直接借用了一個(gè)網(wǎng)上現(xiàn)成的jar包，然后在那個(gè)基礎(chǔ)上寫了一個(gè)非常簡(jiǎn)陋的正則表達(dá)式來(lái)提取數(shù)據(jù)。這次打算自己用JAVA API寫一個(gè)爬蟲，里面除了能讀取HTML或是JSON或是XML，還要能夠相應(yīng)的支持多線程【這個(gè)功能將最后完成】。
今天這篇博客重點(diǎn)講解java中和正則表達(dá)式相關(guān)的API為后序程序的實(shí)現(xiàn)做一個(gè)鋪墊。后序的實(shí)現(xiàn)將在未來(lái)的博客3或4或5中展示，也會(huì)提供github源碼來(lái)供大家參考和指教。所以也歡迎大家關(guān)注我，以便獲得后序的更新。

關(guān)于正則表達(dá)式的基本知識(shí)請(qǐng)參考我的博客正則表達(dá)式 深入淺出1--你的符號(hào)我做主【持續(xù)更新中
在這里，我需要再補(bǔ)充一些博客1中沒(méi)有提及但是必須了解的知識(shí)。（完整的正則表達(dá)式構(gòu)造子列表請(qǐng)參考JAVA的API，在文章最后有給出傳送門）

在博客1中，我將最常用的一些符號(hào)整理出來(lái)，這里再說(shuō)一些還需要了解的符號(hào)。

字符

xhh 十六進(jìn)制值為0xhh的字符
uhhhh 十六進(jìn)制表示為oxhhhh的Unicode字符

字符類

[abc[def]]  相當(dāng)于合并操作 等價(jià)于[abcdef]
[a-z&&[hij]] 相當(dāng)于交集操作，等價(jià)于[hij]
[a-z&&[^b-d]] 相當(dāng)于減操作 等價(jià)于[ae-z]

邊界匹配符

 詞的邊界，詞的邊界是指w和W之間的位置，它是一個(gè)定位符，并不代表任何具體的字符
B 非詞的邊界，也就是是w和w 以及W和W之間的位置

這里新添的兩個(gè)定界符有點(diǎn)難理解。我們已知w是指詞字符[a-zA-Z0-9]，而W是指[^a-zA-Z0-9]。這里舉個(gè)例子來(lái)說(shuō)明b和B都匹配了什么。
假設(shè)我們待匹配的字符串為"hello world！ "
如果調(diào)用方法String[] result = s.split("");
那么我們會(huì)發(fā)現(xiàn)輸出為["hello", "world", " ", "! rn"]，也就是說(shuō)我們可以將字符串看成是"_hello_ _world_！ "其中_代表單詞分界處。
那么如果_代表非單詞分界處，那么上述句子可以表示成"h_e_l_l_o w_o_r_l_d！_ _ "

那么，在大多數(shù)情況下，我們都會(huì)通過(guò)詞的邊界符來(lái)實(shí)現(xiàn)獲取而不是進(jìn)行判斷。

量詞描述了一個(gè)模式吸收輸入文本的方式。量詞總共分為三種，貪婪型、勉強(qiáng)型和占有型。下面分別介紹這三種量詞以便更好的構(gòu)建正則表達(dá)式。

貪婪型

貪婪型模式下的正則表達(dá)式會(huì)發(fā)現(xiàn)盡可能多的匹配。也就是說(shuō)，即便當(dāng)前情況已經(jīng)滿足了匹配，貪婪模式還是會(huì)繼續(xù)測(cè)試下一個(gè)字符直至匹配失敗為止。一旦匹配失敗，就開(kāi)始回退直至找到合適的匹配。

在默認(rèn)情況下的一般正則表達(dá)式都是貪婪型的。

勉強(qiáng)型

在希望勉強(qiáng)匹配的正則表達(dá)式后面加？號(hào)即可進(jìn)行勉強(qiáng)匹配。勉強(qiáng)匹配是指這個(gè)量詞滿足模式所需要的最小字符數(shù)就立刻停止。

占有型

目前，這種類型的量詞只在JAVA中才可以用。占有型不同于前面兩者，它不會(huì)進(jìn)行回溯。我們知道一個(gè)正則表達(dá)式對(duì)應(yīng)的字符串可能有多種。在貪婪型中，如果下一個(gè)匹配失敗，則放出已占有字符回溯到上一個(gè)滿足的情形繼續(xù)判斷。而勉強(qiáng)型則是多占有一個(gè)字符繼續(xù)判斷。占有型則不保存這些中間結(jié)果。一旦占有則不會(huì)釋放。

下面舉一個(gè)例子來(lái)說(shuō)明這些情況：

輸入的字符串：info
貪婪模式正則表達(dá)式：<.*>
返回輸出：info
勉強(qiáng)模式正則表達(dá)式：<.*?>
返回輸出：
占有模式正則表達(dá)式：<.*+>
返回輸出：info

在Java中，和正則表達(dá)式最息息相關(guān)的兩個(gè)類就是Pattern和Matcher了。基本上所有正則表達(dá)式的底層實(shí)現(xiàn)都是通過(guò)Pattern和Matcher來(lái)實(shí)現(xiàn)的。比如說(shuō)，我們非常了解的String中的matches方法，實(shí)際上也是通過(guò)Pattern和Matcher的配合來(lái)實(shí)現(xiàn)的。
在這篇博客中，我將介紹重點(diǎn)的API，詳細(xì)的信息請(qǐng)各位自行參考JAVA DOC。

創(chuàng)建正則表達(dá)式并判斷字符流是否符合。

    Pattern pattern = Pattern.compile("正則表達(dá)式");
    Matcher matcher = pattern.matcher("等待匹配的字符");//這里可以輸入任何繼承了CharSequence的類
    matcher.matches();//返回一個(gè)boolean值說(shuō)明是否匹配

這里需要注意的是，Pattern和Matcher均不允許通過(guò)構(gòu)造器新建一個(gè)對(duì)象。不僅如此，Pattern類是相對(duì)而言線程安全的，而Matcher類不是如此。

構(gòu)造器

    static Pattern compile(String regex)
    static Pattern compile(String regex, int flag);

第二個(gè)構(gòu)造pattern的方法中多了一個(gè)flag參數(shù)，這個(gè)參數(shù)允許我們定義pattern的模式，這里講幾個(gè)比較重要的模式：

Pattern.CASE_INSENSITIVE: 等價(jià)于正則表達(dá)式中的?i,是的匹配可以大小寫不敏感
Pattern.COMMENTS : 等價(jià)于正則表達(dá)式中的?x，會(huì)忽略空格符和以#開(kāi)頭到行末的注釋
Pattern.MULTILINE : 等價(jià)于?m，使得^和&符號(hào)可以匹配一行的始末，而不僅僅是整個(gè)字符串的始末

如果希望有多個(gè)Pattern，可以輸入Pattern.compile("正則表達(dá)式", Pattern1 | Pattern2 | Pattern3)

分割
Pattern自己也定義了split方法。它會(huì)根據(jù)之前compile的正則表達(dá)式進(jìn)行分割并返回String[]，limit值是指分割出的String[]的size不會(huì)超過(guò)這個(gè)limit值。

String[] split(CharSequences c, int limit)
String[] split(CharSequences c)

分組
在這里還需要在講解一個(gè)分組的概念以便為后面做鋪墊。正則表達(dá)式的分組是指將一對(duì)括號(hào)中的表達(dá)式劃為一個(gè)分組。因此形如A(B(CD)(E))的正則表達(dá)式一共有四個(gè)分組{A(B(CD)(E))，B(CD)(E)，(CD)，(E)}，其中第0個(gè)分組默認(rèn)為完整的正則表達(dá)式。

查找

     int groupCount() //返回除了第0組的總分組數(shù)
     boolean find() //從當(dāng)前下標(biāo)開(kāi)始匹配，如果存在滿足正則表達(dá)式的值，則返回true
     boolean find(int i)//從下標(biāo)i開(kāi)始匹配，如果存在滿足正則表達(dá)式的值，返回true
     String group() //返回前一次匹配的第0個(gè)分組的內(nèi)容
     String group(int i)//返回前一次匹配的第i個(gè)分組的內(nèi)容
     int start() //返回上一次匹配成功的內(nèi)容的起始下標(biāo)
     int end() //返回上一次匹配成功的內(nèi)容的終止下標(biāo)+1

舉個(gè)栗子

    Pattern p = Pattern.compile("<.*?>");
    Matcher matcher = p.matcher("data");
    while(matcher.find()){
        System.out.println(matcher.group());
        //先后輸出 
    }

替換

    void replaceFirst(String replacement);
    void replaceAll(String replacement);
    void appendReplacement(StringBuffer s, String replacement);
    void appendTail(StringBuffer s);

這里講一下appendReplacement和appendTail方法。appendReplacement允許開(kāi)發(fā)者在替換的過(guò)程中針對(duì)將被替換的內(nèi)容進(jìn)行一些動(dòng)態(tài)的操作。這個(gè)方法將逐步推進(jìn)的向前替換，并將替換的結(jié)果添加到輸入的s中。除此以外，對(duì)于沒(méi)有被掃描到的部分，可以通過(guò)appendTail方法添加到輸入的s中。

例子：

    Pattern p = Pattern.compile("hello", Pattern.CASE_INSENSITIVE);
    Matcher m = p.matcher("hello world one hello world 2");
    StringBuffer s = new StringBuffer();
    while(m.find()){
        m.appendReplacement(s, m.group().toUpperCase());
        System.out.println(s);
    }
    m.appendTail(s);
    System.out.println(s);

輸出為：

其實(shí)正則表達(dá)式的適用范圍非常廣，除了和CharSequence配合使用之外，還可以和JAVA I/O如Scanner類，InputReader類等聯(lián)合使用。核心還是在于Pattern類和Matcher類的組合使用。

JAVA API