首页 > 代码库 > 计算机程序的思维逻辑 (90) - 正则表达式 (下 - 剖析常见表达式)

计算机程序的思维逻辑 (90) - 正则表达式 (下 - 剖析常见表达式)

?88节介绍了正则表达式的语法,上节介绍了正则表达式相关的Java API,本节来讨论和分析一些常用的正则表达式,具体包括:

  • 邮编
  • 电话号码,包括手机号码和固定电话号码
  • 日期和时间
  • 身份证
  • IP地址
  • URL
  • Email地址
  • 中文字符

对于同一个目的,正则表达式往往有多种写法,大多没有唯一正确的写法,本节的写法主要是示例。此外,写一个正则表达式,匹配希望匹配的内容往往比较容易,但让它不匹配不希望匹配的内容,则往往比较困难,也就是说,保证精确性经常是很难的,不过,很多时候,我们也没有必要写完全精确的表达式,需要写到多精确与你需要处理的文本和需求有关,另外,正则表达式难以表达的,可以通过写程序进一步处理。这么描述可能比较抽象,下面,我们会具体讨论分析。

邮编

邮编比较简单,就是6位数字,首位不能是0,所以表达式可以为:

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

 这个表达式可以用于验证输入是否为邮编,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();
}

但如果用于查找,这个表达式是不够的,看个例子:

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("邮编 100013,电话18612345678");
}

文本中只有一个邮编,但输出却为:

100013
186123

这怎么办呢?可以使用88节介绍的环视边界匹配,对于左边界,它前面的字符不能是数字,环视表达式为:

(?<![0-9])

对于右边界,它右边的字符不能是数字,环视表达式为:

(?![0-9])

所以,完整的表达式可以为:

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

使用这个表达式,也就是说,将ZIP_CODE_PATTERN改为:

public static Pattern ZIP_CODE_PATTERN = Pattern.compile(
        "(?<![0-9])" // 左边不能有数字
        + "[1-9][0-9]{5}"
        + "(?![0-9])"); // 右边不能有数字

就可以输出期望的结果了。

非0开头的6位数字就一定是邮编吗?答案当然是否定的,所以,这个表达式也不是精确的,如果需要更精确的验证,可以写程序进一步检查。

手机号码

中国的手机号码都是11位数字,所以,最简单的表达式就是:

[0-9]{11}

不过,目前手机号第1位都是1,第2位取值为3、4、5、7、8之一,所以,更精确的表达式是:

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

为方便表达手机号,手机号中间经常有连字符(即减号‘-‘),形如:

186-1234-5678

为表达这种可选的连字符,表达式可以改为:

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

在手机号前面,可能还有0、+86或0086,和手机号码之间可能还有一个空格,比如:

018612345678
+86 18612345678
0086 18612345678

为表达这种形式,可以在号码前加如下表达式:

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

和邮编类似,如果为了抽取,也要在左右加环视边界匹配,左右不能是数字。所以,完整的表达式为:

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

用Java表示的代码为:

public static Pattern MOBILE_PHONE_PATTERN = Pattern.compile(
        "(?<![0-9])" // 左边不能有数字
        + "((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])"); // 右边不能有数字

固定电话

不考虑分机,中国的固定电话一般由两部分组成:区号和市内号码,区号是3到4位,市内号码是7到8位。区号以0开头,表达式可以为:

0[0-9]{2,3}

市内号码表达式为:

[0-9]{7,8}

区号可能用括号包含,区号与市内号码之间可能有连字符,如以下形式:

010-62265678
(010)62265678

整个区号是可选的,所以整个表达式为:

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

再加上左右边界环视,完整的Java表示为:

public static Pattern FIXED_PHONE_PATTERN = Pattern.compile(
        "(?<![0-9])" // 左边不能有数字
        + "(\\(?0[0-9]{2,3}\\)?-?)?" // 区号
        + "[0-9]{7,8}"// 市内号码
        + "(?![0-9])"); // 右边不能有数字

日期

日期的表示方式有很多种,我们只看一种,形如:

2017-06-21
2016-11-1

年月日之间用连字符分隔,月和日可能只有一位。

最简单的正则表达式可以为:

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

年一般没有限制,但月只能取值1到12,日只能取值1到31,怎么表达这种限制呢?

对于月,有两种情况,1月到9月,表达式可以为:

0?[1-9]

10月到12月,表达式可以为:

1[0-2]

所以,月的表达式为:

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

对于日,有三种情况:

  • 1到9号,表达式为:0?[1-9]
  • 10号到29号,表达式为:[1-2][0-9]
  • 30号和31号,表达式为:3[01]

所以,整个表达式为:

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

加上左右边界环视,完整的Java表示为:

public static Pattern DATE_PATTERN = Pattern.compile(
        "(?<![0-9])" // 左边不能有数字
        + "\\d{4}-" //
        + "(0?[1-9]|1[0-2])-" //
        + "(0?[1-9]|[1-2][0-9]|3[01])"//
        + "(?![0-9])"); // 右边不能有数字

时间

考虑24小时制,只考虑小时和分钟,小时和分钟都用固定两位表示,格式如下:

10:57

基本表达式为:

\d{2}:\d{2}

小时取值范围为0到23,更精确的表达式为:

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

 分钟取值范围为0到59,更精确的表达式为:

[0-5][0-9]

所以,整个表达式为:

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

加上左右边界环视,完整的Java表示为:

public static Pattern TIME_PATTERN = Pattern.compile(
        "(?<![0-9])" // 左边不能有数字
        + "([0-1][0-9]|2[0-3])" // 小时
        + ":" + "[0-5][0-9]"// 分钟
        + "(?![0-9])"); // 右边不能有数字

身份证

身份证有一代和二代之分,一代是15位数字,二代是18位,都不能以0开头,对于二代身份证,最后一位可能为x或X,其他是数字。

一代身份证表达式可以为:

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

二代身份证可以为:

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

这两个表达式的前面部分是相同的,二代身份证多了如下内容:

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

所以,它们可以合并为一个表达式,即:

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

加上左右边界环视,完整的Java表示为:

public static Pattern ID_CARD_PATTERN = Pattern.compile(
        "(?<![0-9])" // 左边不能有数字
        + "[1-9][0-9]{14}" // 一代身份证
        + "([0-9]{2}[0-9xX])?" // 二代身份证多出的部分
        + "(?![0-9])"); // 右边不能有数字

符合这个要求的就一定是身份证号码吗?当然不是,身份证还有一些更为具体的要求,本文就不探讨了。

IP地址

IP地址格式如下:

192.168.3.5 

点号分隔,4段数字,每个数字范围是0到255。最简单的表达式为:

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

 \d{1,3}太简单,没有满足0到255之间的约束,要满足这个约束,就要分多种情况考虑。

值是1位数,前面可能有0到2个0,表达式为:

0{0,2}[0-9]

值是两位数,前面可能有一个0,表达式为:

0?[0-9]{2}

值是三位数,又要分为多种情况。以1开头的,后两位没有限制,表达式为:

1[0-9]{2}

以2开头的,如果第二位是0到4,则第三位没有限制,表达式为:

2[0-4][0-9]

如果第二位是5,则第三位取值为0到5,表达式为:

25[0-5] 

所以,\d{1,3}更为精确的表示为:

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

所以,加上左右边界环视,IP地址的完整Java表示为:

public static Pattern IP_PATTERN = Pattern.compile(
        "(?<![0-9])" // 左边不能有数字
        + "((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])"); // 右边不能有数字     

URL

URL的格式比较复杂,其规范定义在https://tools.ietf.org/html/rfc1738,我们只考虑http协议,其通用格式是:

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

开始是http://,接着是主机名,主机名之后是可选的端口,再之后是可选的路径,路径后是可选的查询字符串,以?开头。

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

主机名中的字符可以是字母、数字、减号和点号,所以表达式可以为:

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

端口部分可以写为:

(:\d+)?

路径由多个子路径组成,每个子路径以/开头,后跟零个或多个非/的字符,简单的说,表达式可以为:

(/[^/]*)*

更精确的说,把所有允许的字符列出来,表达式为:

(/[-\w$.+!*‘(),%;:@&=]*)*

对于查询字符串,简单的说,由非空字符串组成,表达式为:

\?[\S]*

更精确的,把所有允许的字符列出来,表达式为:

\?[-\w$.+!*‘(),%;:@&=]*

路径和查询字符串是可选的,且查询字符串只有在至少存在一个路径的情况下才能出现,其模式为:

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

所以,路径和查询部分的简单表达式为:

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

精确表达式为:

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

HTTP的完整Java表达式为:

public static Pattern HTTP_PATTERN = Pattern.compile(
        "http://" + "[-0-9a-zA-Z.]+" // 主机名
        + "(:\\d+)?" // 端口
        + "(" // 可选的路径和查询 - 开始
            + "/[-\\w$.+!*‘(),%;:@&=]*" // 第一层路径
            + "(/[-\\w$.+!*‘(),%;:@&=]*)*" // 可选的其他层路径
            + "(\\?[-\\w$.+!*‘(),%;:@&=]*)?" // 可选的查询字符串
        + ")?"); // 可选的路径和查询 - 结束 

Email地址

完整的Email规范比较复杂,定义在https://tools.ietf.org/html/rfc822,我们先看一些实际中常用的。

比如新浪邮箱,它的格式如:

abc@sina.com

对于用户名部分,它的要求是:4-16个字符,可使用英文小写、数字、下划线,但下划线不能在首尾。

怎么验证用户名呢?可以为:

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

新浪邮箱的完整Java表达式为:

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

我们再来看QQ邮箱,它对于用户名的要求为:

  • 3-18字符,可使用英文、数字、减号、点或下划线
  • 必须以英文字母开头,必须以英文字母或数字结尾
  • 点、减号、下划线不能连续出现两次或两次以上

如果只有第一条,可以为:

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

为满足第二条,可以改为:

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

怎么满足第三条呢?可以使用边界环视,左边加如下表达式:

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

完整表达式可以为:

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

QQ邮箱的完整Java表达式为:

public static Pattern QQ_EMAIL_PATTERN = Pattern.compile(
        "(?![-0-9a-zA-Z._]*(--|\\.\\.|__))" // 点、减号、下划线不能连续出现两次或两次以上
        + "[a-zA-Z]" // 必须以英文字母开头
        + "[-0-9a-zA-Z._]{1,16}" // 3-18位 英文、数字、减号、点、下划线组成
        + "[a-zA-Z0-9]@qq\\.com"); // 由英文字母、数字结尾        

以上都是特定邮箱服务商的要求,一般的邮箱是什么规则呢?一般而言,以@作为分隔符,前面是用户名,后面是域名。

用户名的一般规则是:

  • 由英文字母、数字、下划线、减号、点号组成
  • 至少1位,不超过64位
  • 开头不能是减号、点号和下划线

比如:

h_llo-abc.good@example.com

这个表达式可以为:

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

域名部分以点号分隔为多个部分,至少有两个部分。最后一部分是顶级域名,由2到3个英文字母组成,表达式可以为:

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

对于域名的其他点号分隔的部分,每个部分一般由字母、数字、减号组成,但减号不能在开头,长度不能超过63个字符,表达式可以为:

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

所以,域名部分的表达式为:

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

完整的Java表示为:

public static Pattern GENERAL_EMAIL_PATTERN = Pattern.compile(
        "[0-9a-zA-Z][-._0-9a-zA-Z]{0,63}" // 用户名
        + "@"
        + "([0-9a-zA-Z][-0-9a-zA-Z]{0,62}\\.)+" // 域名部分
        + "[a-zA-Z]{2,3}"); // 顶级域名      

中文字符

中文字符的Unicode编号一般位于\u4e00和\u9fff之间,所以匹配任意一个中文字符的表达式可以为:

[\u4e00-\u9fff]

Java表达式为:

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

小结

本节详细讨论和分析了一些常见的正则表达式,在实际开发中,有些可以直接使用,有些需要根据具体文本和需求进行调整。

至此,关于正则表达式,我们就介绍完了,相信你对正则表达式一定有了一个更为清晰透彻的理解!

在之前的章节中,我们都是基于Java 7讨论的,从下节开始,我们探讨Java 8的一些特性,尤其是函数式编程。

(与其他章节一样,本节所有代码位于 https://github.com/swiftma/program-logic,位于包shuo.laoma.regex.c90下)

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

未完待续,查看最新文章,敬请关注微信公众号“老马说编程”(扫描下方二维码),从入门到高级,深入浅出,老马和你一起探索Java编程及计算机技术的本质。用心原创,保留所有版权。

技术分享

计算机程序的思维逻辑 (90) - 正则表达式 (下 - 剖析常见表达式)