【正则】剖析常见表达式
- 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
- 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，我们也没有必要写完全精确的表达式，需要写到多精确与你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。
邮编
邮编比较简单，就是6位数字，首位不能是0，所以表达式可以为：
[1-9][0-9]{5}
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(
"[1-9][0-9]{5}");
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：
100013 186123
这怎么办呢？可以使用88节介绍的环视边界匹配，对于左边界，它前面的字符不能是数字，环视表达式为：
(?<![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：
(?<![0-9])[1-9][0-9]{5}(?![0-9])
使用这个表达式，也就是说，将ZIP_CODE_PATTERN改为：
public static Pattern ZIP_CODE_PATTERN = Pattern.compile(
"(?<![0-9])" // 左边不能有数字
+ "[1-9][0-9]{5}"
+ "(?![0-9])"); // 右边不能有数字
就可以输出期望的结果了。
非0开头的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。
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[3|4|5|7|8|][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：
186-1234-5678
为表达这种可选的连字符，表达式可以改为：
1[3|4|5|7|8|][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：
018612345678 +86 18612345678 0086 18612345678
为表达这种形式，可以在号码前加如下表达式：
((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：
(?<![0-9])((0|\+86|0086)\s?)?1[3|4|5|7|8|][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[3|4|5|7|8|][0-9]-?[0-9]{4}-?[0-9]{4}" // 186-1234-5678
+ "(?![0-9])"); // 右边不能有数字
固定电话
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：
0[0-9]{2,3}
市内号码表达式为：
[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：
010-62265678 (010)62265678
整个区号是可选的，所以整个表达式为：
(\(?0[0-9]{2,3}\)?-?)?[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
日期
日期的表示方式有很多种，我们只看一种，形如：
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：
\d{4}-\d{1,2}-\d{1,2}
年一般没有限制，但月只能取值1到12，日只能取值1到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：
(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：
\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
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：
\d{2}:\d{2}
小时取值范围为0到23，更精确的表达式为：
([0-1][0-9]|2[0-3])
分钟取值范围为0到59，更精确的表达式为：
[0-5][0-9]
所以，整个表达式为：
([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
身份证
身份证有一代和二代之分，一代是15位数字，二代是18位，都不能以0开头，对于二代身份证，最后一位可能为x或X，其他是数字。
一代身份证表达式可以为：
[1-9][0-9]{14}
二代身份证可以为：
[1-9][0-9]{16}[0-9xX]
这两个表达式的前面部分是相同的，二代身份证多了如下内容：
[0-9]{2}[0-9xX]
所以，它们可以合并为一个表达式，即：
[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码吗？当然不是，身份证还有一些更为具体的要求，本文就不探讨了。
IP地址
IP地址格式如下：
192.168.3.5
点号分隔，4段数字，每个数字范围是0到255。最简单的表达式为：
(\d{1,3}\.){3}\d{1-3}
\d{1,3}太简单，没有满足0到255之间的约束，要满足这个约束，就要分多种情况考虑。
值是1位数，前面可能有0到2个0，表达式为：
0{0,2}[0-9]
值是两位数，前面可能有一个0，表达式为：
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：
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：
(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
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：
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。
一些例子：
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：
[-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，简单的说，表达式可以为：
(/[^/]*)*
更精确的说，把所有允许的字符列出来，表达式为：
(/[-\w$.+!*'(),%;:@&=]*)*
对于查询字符串，简单的说，由非空字符串组成，表达式为：
\?[\S]*
更精确的，把所有允许的字符列出来，表达式为：
\?[-\w$.+!*'(),%;:@&=]*
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：
(/<sub_path>(/<sub_path>)*(\?<search>)?)?
所以，路径和查询部分的简单表达式为：
(/[^/]*(/[^/]*)*(\?[\S]*)?)?
精确表达式为：
(/[-\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
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，它的格式如：
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、下划线，但下划线不能在首尾。
怎么验证用户名呢？可以为：
[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：
- 3-18字符，可使用英文、数字、减号、点或下划线
- 必须以英文字母开头，必须以英文字母或数字结尾
- 点、减号、下划线不能连续出现两次或两次以上
如果只有第一条，可以为：
[-0-9a-zA-Z._]{3,18}
为满足第二条，可以改为：
[a-zA-Z][-0-9a-zA-Z._]{1,16}[a-zA-Z0-9]
怎么满足第三条呢？可以使用边界环视，左边加如下表达式：
(?![-0-9a-zA-Z._]*(--|\.\.|__))
完整表达式可以为：
(?![-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(
"(?![-0-9a-zA-Z._]*(--|\\.\\.|__))" // 点、减号、下划线不能连续出现两次或两次以上
+ "[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、下划线组成
+ "[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、下划线、减号、点号组成
- 至少1位，不超过64位
- 开头不能是减号、点号和下划线
比如：
h_llo-abc.good@example.com
这个表达式可以为：
[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到3个英文字母组成，表达式可以为：
[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：
[0-9a-zA-Z][-0-9a-zA-Z]{0,62}
所以，域名部分的表达式为：
([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
中文字符
中文字符的Unicode编号一般位于\u4e00和\u9fff之间，所以匹配任意一个中文字符的表达式可以为：
[\u4e00-\u9fff]
Java表达式为：
public static Pattern CHINESE_PATTERN = Pattern.compile(
"[\\u4e00-\\u9fff]");
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。
