令人抓狂的代码 - 万能正则表达式.*陷阱

[[207401]]

先尝试执行下面的代码：

println("play \n scala".matches(".*")) 

你没看错，打印结果是false。正如键盘布局一样，这是由于一个历史问题导致的。早期的正则表达式工具是基于行处理文本的，所以.匹配的是除换行符以外的任意字符。大多数编程语言在设计正则表达式时沿用了这个传统，但是提供一个选项用于开启"点号匹配换行符"模式。

Java提供了两种方式开启"点号匹配换行符"模式，***种方式是在构建Pattern对象时指定匹配模式：

val p = Pattern.compile(".*", Pattern.DOTALL) 
 
println(p.matcher("play\nscala").matches()) // true 

另一种方式是在正则表达式开始位置指定嵌入模式修饰符(embedded mode modifier)，这也是一种比较通用的方式：

println("play\nscala".matches("(?s).*")) // true 

Pattern.DOTALL和(?s)是等价的。

Java常用的匹配模式有以下几种：

1) Pattern.DOTALL

启用dotall模式。在dotall模式下，模式中的.匹配任意字符，包括换行符。在默认情况下(即未启用dotall模式)，.不匹配换行符。等价于修饰符(?s)。

val p = Pattern.compile(".*", Pattern.DOTALL) 
val m = p.matcher("play\nscala") 
println(m.matches()) 
// 输出 
true 

2)Pattern.MULTILINE

启用多行匹配模式。在多行匹配模式下，模式中的^和$将逐次匹配每一行的行首和行尾。在默认情况下(即未启用多行匹配模式)，^和$将匹配整个字符串的首部和尾部。等价于修饰符(?m)。

val p = Pattern.compile("^.*$", Pattern.MULTILINE) 
val m = p.matcher("play\nscala") 
while (m.find()) { 
  println("find: " + m.group(0)) 
} 
 
// 输出 
find: play 
find: scala 

3) Pattern.UNIX_LINES

启用Unix换行模式，使用"\n"标识每一行的末尾，等价于修饰符(?d)。

val p = Pattern.compile("^.*$", Pattern.UNIX_LINES | Pattern.MULTILINE) 
val m = p.matcher("play\r\nscala") 
while (m.find()) { 
  println("find: " + m.group(0).length) 
} 
// 输出 
find: 5 
find: 5 

输出的两个结果长度都为5，原因是play末尾还有一个字符\r。

4)Pattern.CASE_INSENSITIVE

启用大小写不敏感匹配，等价于修饰符(?i)。

val p = Pattern.compile("^S.*A$", Pattern.CASE_INSENSITIVE) 
val m = p.matcher("scala") 
println(m.matches()) 
// 输出 
true 

5)Pattern.LITERAL

启用字面(literal)模式解析，模式中的元字符和转义字符将按照普通字符解析。

val p = Pattern.compile(".*", Pattern.LITERAL) 
val m = p.matcher("scala") 
println(m.matches()) 
// 输出 
false 

6)Pattern.COMMENTS

正则表达式中允许出现空白符(whitespace)和注解(comments)，空白符会被忽略，以#开头的注解行也将被忽略，等价于修饰符(?x);

val p = Pattern.compile(" .* ", Pattern.COMMENTS) 
val m = p.matcher("scala") 
println(m.matches()) 
// 输出 
true 

注：有些编程语言(例如JavaScript)不支持嵌入模式修饰符(embedded mode modifier)，这时可以使用另一种解决方案：

[\s\S]* 

[\s]会匹配任意空白字符，[\S]而则会匹配[\s]不能匹配的任意字符。把这二者组合起来构成[\s\S]，这样就会得到一个包含所有字符的字符组，其中也包含了换行符。