正则表达式详解与 Java 实践
在一次面试中，面试官提出了以下关于正则表达式的问题。本文将逐一解答，并结合一个具体的 Java 场景------从文本中提取并验证电子邮件地址------进行代码实践，同时针对"零宽断言"和复杂模式的疑问进行详细说明。
1. 什么是正则表达式？
正则表达式（Regular Expression，简称 regex）是一种用于匹配、查找和操作文本的强大工具。它通过定义特定的模式（pattern），来描述需要匹配的字符串规则。
场景实践 ：假设我们需要从一段文本中提取电子邮件地址，正则表达式可以帮助我们定义邮箱的模式，例如 [email protected]。
2. 简述正则表达式的字符类
字符类（Character Class）用于匹配一组特定字符中的任意一个，用方括号 [] 表示。例如，[abc] 表示匹配 a、b 或 c 中的一个字符。
场景实践 ：在邮箱中，用户名可能包含字母、数字或下划线，我们可以用 [a-zA-Z0-9_] 来匹配这些字符。
3. 正则表达式有哪些预定义的字符类？
预定义字符类是正则表达式中内置的简写形式，用于表示常见的字符集合，例如：
\d：匹配任意数字[0-9]\w：匹配任意字母、数字或下划线[a-zA-Z0-9_]\s：匹配任意空白字符（空格、制表符等）.：匹配除换行符外的任意字符
场景实践 ：在邮箱模式中，\w可以用来匹配用户名中的字符，例如[\w.-]表示用户名可以包含字母、数字、下划线、点或横杠。
4. 正则表达式有哪些重复类？
重复类（Quantifiers）用于指定字符或模式的重复次数，包括：
*：0 次或多次+：1 次或多次?：0 次或 1 次{n}：恰好 n 次{n,}：至少 n 次{n,m}：n 到 m 次
场景实践 ：邮箱用户名可能包含多个字符，我们用\w+表示用户名至少包含一个字母、数字或下划线。
5. 正则表达式有哪些反义类？
反义类（Negated Character Class）表示不匹配某些字符，通常用 ^ 在字符类中表示，例如：
[^abc]：匹配除a、b、c外的任意字符\D：匹配非数字字符[^\d]\W：匹配非字母、数字或下划线的字符[^\w]\S：匹配非空白字符[^\s]
场景实践 ：在邮箱验证中，我们可能需要确保域名部分不包含空白字符，可以用\S。
6. 正则表达式分组是什么？
分组（Grouping）使用括号 () 将正则表达式的一部分组合起来，可以：
- 捕获匹配的内容供后续使用（通过组编号或命名组）
- 对模式应用量词
场景实践 ：在邮箱中，我们可以用(\w+)分组捕获用户名部分，之后可以通过组号提取它。
7. 正则表达式零宽断言是什么？
零宽断言（Zero-width Assertion）是一种不占用字符宽度的匹配条件，用于指定匹配位置的上下文。它像是站在字符串中的某个点上，向前或向后"偷看"一眼，判断是否符合要求，但不会把"偷看"的内容算进匹配结果。包括：
(?=...)：正向肯定预查，检查后面是否符合某个模式(?!...)：正向否定预查，检查后面不符合某个模式(?<=...)：反向肯定预查，检查前面是否符合某个模式(?<!...)：反向否定预查，检查前面不符合某个模式
通俗例子 ：假设你在一条街上找房子，要求房子右边必须有公园（但公园不算在房子范围内），这就是正向肯定预查 (?=公园)：
- 输入：
房子A公园 房子B商场 房子C公园 - 匹配：
房子A和房子C，因为它们右边有公园，但"公园"不包含在结果中。
场景实践 ：在邮箱提取中，我们用 (?=\.com$) 确保匹配的邮箱以 .com 结尾。例如：
- 输入：
[email protected] [email protected] - 模式：
@(\w+)\.(\w+)(?=\.com$) - 结果：只匹配
domain，因为它后面是.com，而xyz后面是.org，不满足条件。
为什么叫"零宽"？ 因为它只检查条件，不消耗字符。比如在[email protected]中，(?=\.com$)检查@domain后的位置，确认后面是.com，但.com不会被包括在最终匹配结果中。
8. 正则表达式的贪婪与懒惰是什么？
正则表达式的匹配默认是贪婪模式（Greedy） ，即尽可能多地匹配字符；通过在量词后加 ? 可以变为懒惰模式（Lazy），即尽可能少地匹配。
- 贪婪：
.*会匹配整个字符串 - 懒惰：
.*?只匹配到满足条件的最短部分
场景实践 ：在提取多个邮箱时，贪婪模式可能匹配过多的内容，而懒惰模式.*?可以更精确地定位每个邮箱。
Java 代码实践：提取并验证电子邮件地址
以下是一个 Java 示例，展示如何使用正则表达式从文本中提取电子邮件地址，并验证其格式，同时对比简单模式和复杂模式的差异。
java
import java.util.regex.Matcher;
import java.util.regex.Pattern;
public class EmailExtractor {
public static void main(String[] args) {
// 示例文本
String text = "联系方式: [email protected], [email protected], [email protected]";
// 简单模式：只用 \w+
String simplePattern = "\\w+@\\w+\\.\\w{2,4}";
System.out.println("简单模式匹配：");
matchEmails(text, simplePattern);
// 复杂模式：支持 . 和 -，并用零宽断言限制 .com
String complexPattern = "(\\w+([.-]?\\w+)*)@(\\w+([.-]?\\w+)*\\.\\w{2,4})(?=\\.com$)";
System.out.println("\n复杂模式匹配（仅限 .com）：");
matchEmails(text, complexPattern);
}
private static void matchEmails(String text, String pattern) {
Pattern p = Pattern.compile(pattern);
Matcher m = p.matcher(text);
while (m.find()) {
String email = m.group(0); // 完整邮箱
String username = m.group(1); // 用户名部分
String domain = m.group(3); // 域名部分
System.out.printf("邮箱: %s, 用户名: %s, 域名: %s%n", email, username, domain);
}
}
}代码解析
-
简单模式
\w+@的局限性：- 只适合基本格式（如
[email protected]）。 - 对于带
.或-的用户名（如alice.smith-jr），会失败。
- 只适合基本格式（如
-
复杂模式
(\w+([.-]?\w+)*)@(\w+([.-]?\\w+)*\.\\w{2,4})(?=\\.com$)：- 用户名部分
(\w+([.-]?\w+)*)：\w+：匹配至少一个字母、数字或下划线（如alice）。[.-]?\w+：匹配可选的.或-，后跟字母、数字或下划线（如.smith或-jr）。*：允许出现多次（如alice.smith-jr）。
- 域名部分
(\w+([.-]?\\w+)*\.\\w{2,4})：- 类似用户名，支持复杂域名（如
sub.domain.com）。 \.\\w{2,4}：匹配顶级域名（如.com），长度 2-4 个字符。
- 类似用户名，支持复杂域名（如
- 零宽断言
(?=\.com$)：确保邮箱以.com结尾，不匹配.org等。
- 用户名部分
-
为什么不用简单的
\w+？对于
[email protected]，\w+确实够用。但真实邮箱可能包含.或-（如[email protected]），简单模式会漏掉这些情况。复杂模式更灵活，能覆盖更多场景。
输出示例
java
简单模式匹配：
邮箱: [email protected], 用户名: alice123, 域名: domain.com
邮箱: [email protected], 用户名: alice, 域名: xyz.com
邮箱: [email protected], 用户名: bob, 域名: xyz.org
复杂模式匹配（仅限 .com）：
邮箱: [email protected], 用户名: alice123, 域名: domain.com总结
正则表达式是处理文本的利器，掌握其字符类、重复类、反义类、分组、零宽断言以及贪婪/懒惰模式，可以应对复杂的匹配需求。通过 Java 的 Pattern 和 Matcher，我们可以轻松实现文本提取和验证功能。零宽断言为我们提供了位置检查的灵活性，而复杂模式则确保了更广泛的适用性。