Java正则表达式与模式匹配详解

Java正则关键在Pattern编译、Matcher状态管理及边界语义：Matcher必须每次重新获取；matches()要求全匹配，find()查任意子串，lookingAt()仅开头匹配；量词影响回溯行为；\b默认不支持Unicode需显式启用标志。

Java 正则表达式不是“写对就能用”，关键在 Pattern 编译行为、Matcher 状态管理和匹配边界语义——不理解这些，find() 返回 false 或 group() 抛 IllegalStateException 就是常态。

为什么 Pattern.compile() 后必须用 matcher() 获取新 Matcher 实例

Matcher 是有状态对象，每次调用 find()、matches() 会移动内部指针；复用同一个 Matcher 对不同字符串匹配，结果不可靠。

• 错误做法：

  Pattern p = Pattern.compile("\\d+");
  Matcher m = p.matcher("123");
  m.find(); // true
  m = p.matcher("abc"); // 必须重新 matcher()，不能 m.reset("abc")
  m.find(); // false —— 但你以为只是没匹配到，其实上一次状态可能干扰

• 正确做法：每次匹配前都调用 p.matcher(input)，哪怕 input 是同一个字符串
• 性能提示：如果正则固定且高频使用，Pattern 可静态缓存（线程安全），但 Matcher 绝对不能缓存复用

matches() vs find() vs lookingAt() 的本质区别

三者不只语义不同，底层锚定逻辑也不同，选错会导致漏匹配或误判。

• matches()：等价于 ^pattern$，要求整个输入序列完全匹配，开头结尾都被锚定
• find()：在输入中查找**任意位置**的子串匹配，不强制占满全文
• lookingAt()：只从**字符串开头**尝试匹配，不要求结尾，等价于 ^pattern
• 常见陷阱："123abc".matches("\\d+") → false（因为没吃掉 "abc"），但 find() 就是 true

贪婪、勉强、占有量词的实际影响与调试方法

量词后缀（?、+）不只改匹配长度，更决定回溯行为——尤其在嵌套或长文本中，可能引发灾难性回溯（Catastrophic Backtracking）。

• .*（贪婪）：尽可能多匹配，失败时逐步回退
• .*?（勉强）：尽可能少匹配，找到第一个满足后续条件的位置就停
• .*+（占有）：匹配后绝不回退，适合已知无歧义场景，但错误使用会直接导致匹配失败
• 调试建议：用 Pattern.compile(pattern, Pattern.DOTALL) 配合短输入测试，观察 group(0) 内容；怀疑回溯时，把 .* 拆成更具体的字符类（如 [^\\r\\n]*）

Unicode 和 String 边界问题：为什么 \\b 在中文里经常失效

\\b 是单词边界，定义为“一边是 \\w（ASCII 字母/数字/下划线），另一边不是”。它默认不识别中文、日文等 Unicode 字符作为“字”，所以 "测试123".replaceAll("\\b\\d+\\b", "X") 不会替换 "123"。

• 解决方式一：显式启用 Unicode 字符类，加 Pattern.UNICODE_CHARACTER_CLASS 标志：

  Pattern p = Pattern.compile("\\b\\d+\\b", Pattern.UNICODE_CHARACTER_CLASS);

• 解决方式二：不用 \\b，改用环视：(?（更精确，但稍重）
• 注意：\\w 默认也不匹配中文，需配合 UNICODE_CHARACTER_CLASS 才能识别 \\p{IsAlphabetic} 类字符