• Java 文本检索神器 "正则表达式"

    Java 文本检索神器 "正则表达式"

    在这里插入图片描述

    每博一文案

    在我们短促而又漫长的一生中，我们在苦苦地寻找人生的幸福，可幸福往往又与我们失之交臂，
当我们为此而耗尽宝贵的。青春年华，皱纹也悄悄地爬上了眼角的时候，我们或许才能悄悄懂得生活实际上意味
着什么。
                                     —————— 《平凡的世界》
叶赛宁的诗，不惋惜，不呼唤，我也不啼哭。金黄的落叶堆满我心间。我已经再不是青春少年。
                                     —————— 《平凡的世界》
生活中有那么一种人，你蔑视甚至污辱他，他不仅视为正常，还对你挺佩服；你要是在人格上对他平等相待，
他反而倒小看你！这种人的情况，在伟鲁迅的不朽著作中详尽诠释，这里就不再赘述。
                                     —————— 《平凡的世界》
一个平平常常的日子，细蒙蒙的雨丝夹着一星半点的雪花，正纷纷淋淋地向大地飘洒着。时令已快到惊蛰，
雪当然再也不会存留，往往还没等落地，就已经消失得无影无踪了。黄土高原严寒而漫长的冬天看来
就要过去，但那真正温暖的春天还远远地没有到来。
                                    —————— 《路遥》

    @

    目录

    1. 正则表达式的概述

    我相信，作为一名程序员或者准程序员，你肯定是知道正则表达式的。作为计算机领域最伟大的发明之一，正则表达式简单、强大，它可以极大地提高我们工作中的文本处理效率。现在，各大操作系统、编程语言、文本编辑器都已经支持正则表达式，甚至我还和极客时间的编辑开玩笑说，他们也应该好好学学正则这门手艺。

    正则，就是正则表达式，英文是 Regular Expression，简称 RE。 顾名思义，正则其实就是一种 描述文本内容组成规律的表示方式。

    在编程语言中，正则常常用来简化文本处理的逻辑。在 Linux 命令中，它也可以帮助我们轻松地查找或编辑文件的内容，甚至实现整个文件夹中所有文件的内容替换，比如 grep、egrep、sed、awk、vim 等。另外，在各种文本编辑器中，比如 Atom，Sublime Text 或 VS Code 等，在查找或替换的时候也会使用到它。总之，正则是无处不在的，已经渗透到了日常工作的方方面面。

    简单来说，正则是一个非常强大的文本处理工具，它的应用极其广泛。我们可以利用它来校验数据的有效性，比如用户输入的手机号是不是符合规则；也可以从文本中提取想要的内容，比如从网页中抽取数据；还可以用来做文本内容替换，从而得到我们想要的内容。

    通过它的功能和分布的广泛你也能看出来，正则是一个非常值得花时间和精力好好学习的基本技能。之前你花几十分钟才能搞定的事情，可能用正则很快就搞定了；之前不能解决的问题，你系统地学习正则后，可能发现也能轻松解决了。

    1.1 正则表达式的威力

    初始正则表达式，这里我们先来体会一下正则表达式的威力。

    例如01: 下面这段文本是，我们通过爬虫获取到的，下面我们通过正则表达式获取到其中文本的所有英文单词

    Java平台由Java虚拟机(Java Virtual Machine)和Java 应用编程接口(Application Programming Interface、简称API)构成。Java 应用编程接口为Java应用提供了一个独立于操作系统的标准接口，可分为基本部分和扩展部分。在硬件或操作系统平台上安装一个Java平台之后，Java应用程序就可运行。Java平台已经嵌入了几乎所有的操作系统。这样Java程序可以只编译一次，就可以在各种系统中运行。Java应用编程接口已经从1.1x版发展到1.2版。常用的Java平台基于Java1.8最近版本为Java19。

    package blogs.blog12;

import java.util.regex.Matcher;
import java.util.regex.Pattern;

public class RegularTest01 {
    public static void main(String[] args) {
        // 假定，编写了爬虫，从百度页面得到如下文本:
        String content = "Java平台由Java虚拟机(Java Virtual Machine)和Java 应用编程接口(Application Programming Interface、简称API)构成。Java 应用编程接口为Java应用提供了一个独立于操作系统的标准接口，" +
                "可分为基本部分和扩展部分。在硬件或操作系统平台上安装一个Java平台之后，" +
                "Java应用程序就可运行。Java平台已经嵌入了几乎所有的操作系统。" +
                "这样Java程序可以只编译一次，就可以在各种系统中运行。" +
                "Java应用编程接口已经从1.1x版发展到1.2版。常用的Java平台基于Java1.8，" +
                "最近版本为Java19。";

        // 提取文章中所有的英文单词:
        // 传统方法: 使用遍历方式: 代码量大，效率不高:
        // 正则表达式:

        // 1. 先创建一个Pattern 对象，模式对象，可以理解成就是一个正则表达式对象
        Pattern pattern = Pattern.compile("[a-zA-Z]+");

        // 2. 创建一个匹配器对象
        // 理解：就是 matcher 匹配器，按照所编写的 pattern(模式/样式) ，到 content 文本中去匹配
        // 找到就返回 true,否则就返回false
        Matcher matcher = pattern.matcher(content);

        // 3. 开始循环匹配
        while(matcher.find()) {  // 找到返回 true,否则返回false
            // 匹配内容，文本，放到 matcher.group() 当中
            String group = matcher.group(0);
            System.out.println(group);
        }
    }
}

    在这里插入图片描述

    例如02: 提取到上述文本内容中的所有 数字 。

    
import java.util.regex.Matcher;
import java.util.regex.Pattern;

public class RegularTest01 {
    public static void main(String[] args) {
        // 假定，编写了爬虫，从百度页面得到如下文本:
        String content = "Java平台由Java虚拟机(Java Virtual Machine)和Java 应用编程接口(Application Programming Interface、简称API)构成。Java 应用编程接口为Java应用提供了一个独立于操作系统的标准接口，" +
                "可分为基本部分和扩展部分。在硬件或操作系统平台上安装一个Java平台之后，" +
                "Java应用程序就可运行。Java平台已经嵌入了几乎所有的操作系统。" +
                "这样Java程序可以只编译一次，就可以在各种系统中运行。" +
                "Java应用编程接口已经从1.1x版发展到1.2版。常用的Java平台基于Java1.8，" +
                "最近版本为Java19。";

        // 1.创建一个正则表达式对象
        Pattern pattern = Pattern.compile("[\\d]+");

        // 2.创建一个匹配器，用于匹配符合正则表达式的字符串
        Matcher matcher = pattern.matcher(content);

        // 循环遍历获取符合条件的字符串
        while(matcher.find()) { // 一点一点的同文本中遍历匹配是否符合该正则表达式，符合返回true,否则返回false
            String group = matcher.group(0);
            System.out.println(group);
        }
    }
}

    在这里插入图片描述

    例如03 ： 如下是一段从 www.baidu.com 网页中截取的一段源码：通过正则表达式获取到其中的百度热搜信息 。

    在这里插入图片描述

    name="oq" value="">
    换一换