刘亦菲生日当天，引发了我对正则的思考

2年前 (2022) 程序员胖胖胖虎阿

187 0 0

前两天从网上采集到一条短视频数据（刷短视频），发现六公主连排5部刘亦菲主演的电影！甚是震惊，太有牌面了，看了一下日子是8月25号，嗷，原来当天是刘亦菲的生日。巧了，正好也是我家柴犬旺财的3岁生日😀。

言归正传，我们看到这条数据的

标题：#刘亦菲35岁生日获央视独宠# 神仙姐姐生日快乐！

为了分析数据，我们需要获取数据中所提到的话题#刘亦菲35岁生日获央视独宠#。提问：你能想到几种实现方式呢？欢迎评论区留言。

正则

想必细心看标题的朋友一定会猜到本文的主人公——正则，这玩意优点是写起来快，但缺点也显而易见，性能差，跟批处理一个德性，反人类的难记，长时间不用，每次都要重新学习，日常开发中也就偶尔写工具用一下。因此，我们只需要把常用的正则理解透就可以了，不要有心理包袱，看完本文，大部分的正则使用场景就可以活学活用。

场景一：匹配两个`#`之间的字符串

现在我们把需求转换成实现思路，想要获取上述数据中的话题，其实就是匹配两个#之间的文本内容，show code：

正则表达式：#.*?#

    public static void main(String[] args) {
        String title = "#刘亦菲35岁生日获央视独宠# 神仙姐姐生日快乐！";
        Pattern p = Pattern.compile("(#.*?#)");
        Matcher m = p.matcher(title);
        while (m.find()) {
            String group = m.group(0);
            System.out.println("话题:" + group);
        }
    }

输出

话题:#刘亦菲35岁生日获央视独宠#

可以看出，输出的结果就是该条数据的话题，给大家分析一下这个正则表达式：
.表示任意字符，?平时表示匹配0个或者多个，此时它表示不贪婪，那什么是贪婪呢？
刘亦菲生日当天，引发了我对正则的思考

说到贪婪，那就不得不提这两个限定符：* 和 + ，它们两个就是贪婪的！*表示匹配0个或者多个，+表示匹配至少一个，可以发现它们的共性：都会尽可能匹配更多。但，只要紧跟在它们的后面加上一个 ? ，让他们扪心自问，就可以实现非贪婪，即最小匹配。比如，我们在标题上再加一个#，此时标题变为#刘亦菲35岁生日获央视独宠## 神仙姐姐生日快乐！，然后正则表达式我们不使用?，此时，运行代码后输出结果为：

话题:#刘亦菲35岁生日获央视独宠##

比较两次的执行结果，我们会发现输出结果多了一#，这样就很贪婪，违背了我们的初衷，这就是?的妙用。

场景二：只匹配`#`开头的字符串

我们知道不同平台的话题格式是不一样的，比如抖音，它的话题形式就与微博不同，只是#开头，并没有成对的#与其呼应：

标题：#刘亦菲35岁生日获央视独宠神仙姐姐生日快乐！

如果是这种形式的话题，爱动脑筋的朋友就会发现无非就是将后面的#变为一个空格或者多个空格呗。没错，我们可以使用

正则表达式：#.*?\\s+

    public static void main(String[] args) {
        String title = "#刘亦菲35岁生日获央视独宠  神仙姐姐生日快乐！";
        Pattern p = Pattern.compile("(#.*?\\s+)");
        Matcher m = p.matcher(title);
        while (m.find()) {
            String group = m.group(0);
            System.out.println("话题:" + group);
        }
    }

输出

话题:#刘亦菲35岁生日获央视独宠

Tips：\s 表示匹配所有空白符，它不仅仅可以匹配空格，还可以匹配换行等空白字符，如果再加上+，组合起来就表示甭管几个空白字符，统统all in。

不过，不要高兴得太早，心细的小明还发现话题可能会存在文末的情况：

标题：神仙姐姐生日快乐！#刘亦菲35岁生日获央视独宠

此时是没有空白字符结束的，上面的正则就不满足这种情况。那如何是好？小明当时就想到了两个方案：

方案一：不管话题在不在文末，我们在匹配之前全部给标题追加一个空白字符，这样就可以人为干预，巧妙地避开了这种情况，曲线救国，便于正则匹配
方案二：使用正则表达式#.*?$

Tips：方案二中的$ 是用来匹配输入字符串的结尾位置，组合起来就表示匹配#开头，一直到句末的话题。

进阶

前面两种场景我们虽然获取到了两个#之间或者#开头的内容，实现了需求，但是匹配的结果还是会带上#，贪婪的小明不满足现状（产品强制要求），可不可以不带呢？
当然可以了！小明又想到了两个方案：

方案一：得到匹配的话题后，再二次文本处理去掉#
方案二：使用正则表达式?<=和?=一步到位，直接去除#

使用方法

(?<=exp2)exp1：表示匹配 exp2 后面的 exp1
exp1(?=exp2)：表示匹配 exp2 前面的 exp1
那结合以上我们实际使用的所有场景，最终这个理想的正则表达式就正式出炉（好热）：((?<=#).*?(?=#|\s+))

反应慢的朋友，可以慢点理解，我们先运行试一下（不自信）：

    public static void main(String[] args) {
        String title = "#刘亦菲# #神仙姐姐 #生日快乐# #刘亦菲35岁生日获央视独宠";
        Pattern p = Pattern.compile("((?<=#).*?(?=#|\\s+|$))");
        Matcher m = p.matcher(title);
        while (m.find()) {
            String group = m.group(0);
            System.out.println("话题:" + group);
        }
    }

输出

话题:刘亦菲
话题:
话题:神仙姐姐
话题:生日快乐
话题:
话题:刘亦菲35岁生日获央视独宠

Tips：正则表达式中的|表示或，即多项之间的一个选择，就像今天你看完本文，感觉不错的话，
必须做出(关注|点赞|星标)其中的一个选择！
从代码的输出结果我们可以看出，目前的正则是经得住实际考验的。但是唯一美中不足的是，会有空字符串的情况出现（产品不同意）。
这该如何是好？
目前小明的解决方案是，拿到匹配结果时，过滤掉空字符串。能解决问题的办法就是好办法。不过，肯定有更完美的表达式可以实现这个需求，此处抛砖引玉，期待你在评论区分享！