正则表达式详解与 Java 实践-预定义字符类/重复类/反义类/分组/零宽断言

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。

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

1. 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。

2. 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。
   • 零宽断言 (?=\.com$) ：确保邮箱以 .com 结尾，不匹配 .org 等。

3. 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

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。