25.4 剖析常见表达式

发表于 2021-12-08 分类于 9 Java编程的逻辑， 6第六部分动态与函数式编程，第25章正则表达式 Waline：本文字数： 8.3k 阅读时长 ≈ 8 分钟

25.4 剖析常见表达式

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。
身份证号。
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，也没有必要写完全精确的表达式，需要写到多精确与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。

1．邮编

邮编比较简单，就是6位数字，所以表达式可以为：

[0-9]{6}

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("[0-9]{6}");
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：

1 2	100013 186123

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

1	(?<![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：

1	(?<![0-9])[0-9]{6}(?![0-9])

使用这个表达式，将ZIP_CODE_PATTERN改为：

public static Pattern ZIP_CODE_PATTERN = Pattern.compile(
        "(? <! [0-9])" //左边不能有数字
        + "[0-9]{6}"
        + "(? ! [0-9])"); //右边不能有数字

就可以输出期望的结果了。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。

2．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	1[34578][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：

1	186-1234-5678

为表达这种可选的连字符，表达式可以改为：

1	1[34578][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：

1
2
3

018612345678
+86 18612345678
0086 18612345678

为表达这种形式，可以在号码前加如下表达式：

1	((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：

1	(? <! [0-9])((0\|\+86\|0086)\s? )?1[34578][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[34578][0-9]-? [0-9]{4}-? [0-9]{4}" // 186-1234-5678
        + "(? ! [0-9])"); //右边不能有数字

3．固定电话号码

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：

1	0[0-9]{2,3}

市内号码表达式为：

1	[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：

1 2	010-62265678 (010)62265678

整个区号是可选的，所以整个表达式为：

1	($?0[0-9]{2,3}$?-?)?[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

4．日期

日期的表示方式有很多种，我们只看一种，形如：

1 2	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：

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

年一般没有限制，但月只能取值1～12，日只能取值1～31，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：

1	(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：

1	\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}-" //年
        + "(0? [1-9]|1[0-2])-" //月
        + "(0? [1-9]|[1-2][0-9]|3[01])"//日
        + "(? ! [0-9])"); //右边不能有数字

5．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：

1	\d{2}:\d{2}

小时取值范围为0～23，更精确的表达式为：

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

分钟取值范围为0～59，更精确的表达式为：

1	[0-5][0-9]

所以，整个表达式为：

1	([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

6．身份证号

身份证有一代和二代之分，一代身份证号是15位数字，二代身份证号是18位数字，都不能以0开头。对于二代身份证号，最后一位可能为x或X，其他是数字。一代身份证号表达式可以为：

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

二代身份证号表达式可以为：

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

这两个表达式的前面部分是相同的，二代身份证号表达式多了如下内容：

1	[0-9]{2}[0-9xX]

所以，它们可以合并为一个表达式，即：

1	[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吗？当然不是，身份证号还有一些更为具体的要求，本书就不探讨了。

7. IP地址

IP地址示例如下：

1	192.168.3.5

点号分隔，4段数字，每个数字范围是0～255。最简单的表达式为：

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

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

值是1位数，前面可能有0～2个0，表达式为：

1	0{0,2}[0-9]

值是两位数，前面可能有一个0，表达式为：

1	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：

1	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：

1	(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

8. 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：

1	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。看一些例子：

1
2
3

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：

1	[-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，简单地说，表达式可以为：

(/[^/]＊)＊

更精确地说，把所有允许的字符列出来，表达式为：

1	(/[-\w$.+! ＊'(), %; :@&=]＊)＊

对于查询字符串，简单地说，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：

1	\?[-\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：

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

所以，路径和查询部分的简单表达式为：

1	(/[^/]＊(/[^/]＊)＊(\? [\S]＊)?)?

精确表达式为：

1	(/[-\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

9. 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：

1	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、下画线，但下画线不能在首尾。怎么验证用户名呢？可以为：

1	[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：

1）3～18个字符，可使用英文、数字、减号、点或下画线；
2）必须以英文字母开头，必须以英文字母或数字结尾；
3）点、减号、下画线不能连续出现两次或两次以上。

如果只有第1条，可以为：

1	[-0-9a-zA-Z._]{3,18}

为满足第2条，可以改为：

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

怎么满足第3条呢？可以使用边界环视，左边加如下表达式：

1	(?![-0-9a-zA-Z._]＊(--\|\.\.\|__))

完整表达式可以为：

1	(?![-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(
        //点、减号、下画线不能连续出现两次或两次以上
        "(? ! [-0-9a-zA-Z._]＊(--|\\.\\.|__))"
        + "[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、下画线组成
        + "[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、下画线、减号、点号组成；
至少1位，不超过64位；
开头不能是减号、点号和下画线。

比如：

1	h_llo-abc.good@example.com

这个表达式可以为：

1	[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2～3个英文字母组成，表达式可以为：

1	[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：

1	[0-9a-zA-Z][-0-9a-zA-Z]{0,62}

所以，域名部分的表达式为：

1	([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

10．中文字符

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

1	[\u4e00-\u9fff]

Java表达式为：

1 2	public static Pattern CHINESE_PATTERN = Pattern.compile( "[\\u4e00-\\u9fff]");

11．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。完整的代码在Github上，地址为https://github.com/swiftma/program-logic ，位于包shuo.laoma.regex.c90下。

至此，关于正则表达式就介绍完了。下一章，我们探讨Java 8中的函数式编程。