正则表达式

转义字符

由于正则表达式也是字符串，再匹配正则中已经占用的符号时要进行转移，通常要使用两个反斜线，因为两个反斜线转移成一个反斜线，然后这个被转义后的反斜线再将后面要转义的符号转义

符号	匹配的字符
\\	\
\t	\t
\n	\n

特殊符号

[]中除拉&&、-、^其他就失去意义，无需转义，其中的关系是或的关系

符号	描述
.	任意一个字符，除拉\r\n
^	以开头，在[]中是取反
$	以结尾
[]	单个符号范围
&&	只作用于[]中，关系与取交
-	只作用于[]中，表取值范围
{}	数量词量词范围
()	提升优先级和分组
`	`	关系或

数量词符号

贪婪模式（默认）：重复次数多个满足条件情况下，尽可能的多匹配

非贪婪模式（数量词后跟一个?）：重复次数多个满足情况下，尽可能的少匹配

符号	描述
*	闭包，零次或多次
+	正闭包，一次或多次
?	占位，零次或一次
{n}	重复n次
{n,}	重复n次或更多次
{n,m}	重复n到m次

简化表达式

预定义类	描述
\d	[0-9]
\D	[^0-9]
\w	[0-9a-zA-Z_]
\W	[^0-9a-zA-Z_]
\s	匹配空格(包括换行，制表空格)[\t\r\n\v\f]
\S	[^\t\r\n\v\f]

字符串中的正则方法

方法名	描述
boolean matches(String regex)	正则校验
String replaceAll(String regex, String replacement)	正则全部替换
String replaceFirst(String regex, String replacement)	正则首个替换
String[] split(String regex)	正则全部拆分
String[] split(String regex, int limit)	正则部分拆分

java爬虫

1. 使用Pattern类的静态方法compile()进行编译正则，获得Pattern对象
2. 使用Pattern的对象的matcher()方法获取匹配器
3. 使用匹配器对匹配内容进行相应的操作

String str = "<a href=\"http://www.baidu.com\">百度</a>";  //要分析的html
Pattern pattern = Pattern.compile("<a\\shref=\"(.*)\".*>.*</a>");  //编译正则
Matcher matcher = pattern.matcher(str); //解析要分析的字符串
while(matcher.find()){  //若下一个有匹配的返回true
  System.out.println(matcher.group(0));
  //0组是全匹配，<a href="http://www.baidu.com">百度</a>
  System.out.println(matcher.group(1));
  //1组是第一个括号的分组内容，http://www.baidu.com
  System.out.println(matcher.group(1).replaceAll("http://",""));
  //将http://清理掉
}