Классы символов в регулярных выражениях Java

Класс символов — это часть регулярного выражения, которая сопоставляется с одним символом из набора допустимых символов. Когда вы пишете \d, [aeiou] или [^0-9], вы используете класс символов. Это наименьший строительный блок почти любого полезного шаблона, и движок java.util.regex предоставляет три вида: готовые сокращения вроде \d, пользовательские наборы в виде [...] и классы с именами на основе Unicode вроде \p{Lower}. Освоив их, вы разберётесь и с остальным синтаксисом регулярных выражений.

В этой главе рассматриваются все три вида — пользовательские классы в квадратных скобках с диапазонами и отрицанием, предопределённые сокращения, операции над множествами (объединение, пересечение, вычитание) и именованные классы Unicode/POSIX — и всё это объединяется в одной запускаемой программе. Если вы новичок в Java regex, сначала изучите введение в regex и синтаксис regex.

Пользовательские классы: скобки, диапазоны и отрицание

Класс в квадратных скобках [...] соответствует любому одному символу, перечисленному внутри. Укажите символы по одному или используйте дефис для обозначения диапазона. Поставьте ^ сразу после открывающей скобки, чтобы отрицать набор — сопоставляться с любым символом, которого нет в списке.

"[abc]"      // matches one 'a', 'b', or 'c'
"[a-z]"      // any one lowercase letter (a range)
"[A-Za-z0-9]"// any letter or digit (three ranges in one class)
"[^aeiou]"   // any single character that is NOT a vowel

Внутри класса большинство метасимволов теряют своё специальное значение, поэтому их редко нужно экранировать. Исключение составляют литеральные ], ^, - и \ — их следует экранировать или размещать так, чтобы они не были поняты неверно (дефис - в начале или конце является литеральным дефисом, а не диапазоном).

java.util.regex.Pattern p = java.util.regex.Pattern.compile("[-+0-9]");
System.out.println(p.matcher("-").find());   // true: leading - is literal
System.out.println(p.matcher("*").find());   // false

Предопределённые классы: сокращения

Java предоставляет сокращения для наиболее часто используемых наборов. Каждая форма в нижнем регистре имеет дополнение в верхнем регистре, которое соответствует всему, чему не соответствует версия в нижнем регистре.

Сокращение	Соответствует	Эквивалентный класс
`.`	любой символ, кроме признаков конца строки	—
`\d`	цифра	`[0-9]`
`\D`	не цифра	`[^0-9]`
`\w`	символ слова	`[a-zA-Z_0-9]`
`\W`	не символ слова	`[^a-zA-Z_0-9]`
`\s`	пробельный символ	`[ \t\n\x0B\f\r]`
`\S`	не пробельный символ	`[^\s]`

Внимание

В исходном коде Java сам символ обратной косой черты должен быть экранирован, поэтому regex \d записывается как "\\d" в строковом литерале, а \w становится "\\w". Забыть вторую обратную косую черту — самая распространённая ошибка в Java regex: "\d" даже не скомпилируется.

String digits = "\\d+";          // regex is \d+  (one or more digits)
String word   = "\\w+";          // regex is \w+
"abc123".replaceAll("\\d", "#"); // "abc###"

Отрицание, пересечение и объединение

Класс в квадратных скобках по умолчанию является объединением — укажите [abcxyz] и получите совпадение с любым из шести символов. Java добавляет два оператора для работы с множествами внутри классов. Оператор && формирует пересечение (соответствует только символам, входящим в оба набора), а вложение одного класса в другой позволяет выполнять вычитание.

Конструкция	Значение
`[a-d[m-p]]`	объединение: `a`–`d` или `m`–`p`
`[a-z&&[aeiou]]`	пересечение: строчные буквы, являющиеся гласными
`[a-z&&[^aeiou]]`	вычитание: строчные буквы, которые не являются гласными (согласные)

"[a-z&&[^aeiou]]"  // all lowercase consonants
"[\\p{L}&&[^\\p{Lu}]]" // any letter that is not uppercase

Отрицание с ^ инвертирует весь класс; пересечение с && сужает его. Правильный выбор между ними делает шаблоны читаемыми, вместо того чтобы нагромождать альтернации.

Именованные классы Unicode и POSIX

Для всего, что выходит за рамки ASCII, используйте семейство \p{...}. Эти именованные классы знают о категориях Unicode и группах в стиле POSIX, а \P{...} — их отрицательная форма. Они незаменимы, когда входные данные содержат буквы с диакритическими знаками, не латинские алфавиты, или когда вы просто хотите использовать говорящие имена.

Класс	Соответствует
`\p{Lower}`	строчная буква ASCII (`[a-z]`)
`\p{Punct}`	знак пунктуации
`\p{Alnum}`	буква ASCII или цифра
`\p{L}`	любая буква Unicode (с `UNICODE_CHARACTER_CLASS`)
`\p{IsDigit}`	цифра Unicode

// Make \w, \d, \s honor full Unicode, not just ASCII:
java.util.regex.Pattern uni =
    java.util.regex.Pattern.compile("\\w+", java.util.regex.Pattern.UNICODE_CHARACTER_CLASS);
System.out.println(uni.matcher("café").results().count()); // 1: "café" is one word

Разбор примера: все виды классов на одной строке

Эта программа создаёт небольшой вспомогательный метод count, который сообщает, сколько символов строки-образца совпадает с классом из одного символа. Запуск одной строки через классы цифр, символов слова, пробельных символов, диапазон, отрицание, пересечение, точку и класс POSIX делает взаимосвязи между ними наглядными — и показывает класс, выполняющий реальную работу внутри более широкого шаблона.

java— editable, runs on the server

import java.util.regex.Matcher;
import java.util.regex.Pattern;

public class CharClassDemo {
  // Count how many chars of `input` match the single-class `regex`.
  static long count(String regex, String input) {
    return Pattern.compile(regex).matcher(input).results().count();
  }

public static void main(String[] args) {
    String sample = "Order #A7! cost $19.50, ship-by 2026-05-30.";
    System.out.println("sample: " + sample);
    System.out.println();

// 1. Predefined classes: \\d digits, \\w word chars, \\s whitespace.
    System.out.println("\\d (digits)      : " + count("\\d", sample));
    System.out.println("\\w (word chars)  : " + count("\\w", sample));
    System.out.println("\\s (whitespace)  : " + count("\\s", sample));

// 2. A custom set and a range mean the same thing here.
    System.out.println("[0-9] (range)    : " + count("[0-9]", sample));
    System.out.println("[A-Za-z] letters : " + count("[A-Za-z]", sample));

// 3. Negation: [^...] and \\D are complements.
    System.out.println("[^0-9] non-digit : " + count("[^0-9]", sample));
    System.out.println("\\D non-digit     : " + count("\\D", sample));

// 4. Intersection: vowels that are also lowercase letters.
    System.out.println("[a-z&&[aeiou]]   : " + count("[a-z&&[aeiou]]", sample));

// 5. The dot matches any char except line terminators by default.
    System.out.println(". (any char)     : " + count(".", sample));

// 6. A class inside a real pattern: validate a simple SKU like A7.
    Pattern sku = Pattern.compile("[A-Z]\\d");
    Matcher m = sku.matcher(sample);
    if (m.find()) {
      System.out.println("first [A-Z]\\d    : " + m.group());
    }

// 7. POSIX-style \\p classes are Unicode-aware names.
    System.out.println("\\p{Punct} count  : " + count("\\p{Punct}", sample));
  }
}

Что важно вынести из запуска:

\d и [0-9] оба сообщают 13 для этой строки — они полностью эквивалентны для ASCII-ввода. Предопределённый класс — это просто встроенное имя для набора, который вы могли бы записать вручную, поэтому используйте сокращение для удобства чтения.
\D и [^0-9] оба сообщают 30 — дополнение 13 цифр в строке из 43 символов (13 + 30 = 43). Сокращение в верхнем регистре и отрицательный класс в квадратных скобках — это два способа записи одного и того же дополнения.
[a-z&&[aeiou]] сообщает 3 — только строчные гласные: e в Order, o в cost и i в ship-by. Заглавная O в Order — это буква в верхнем регистре, поэтому пересечение её исключает. Суть: && сужает класс до символов, входящих в оба набора, а не объединяет их, поэтому заглавные гласные не входят.
Точка совпала с 43 символами, включая пробелы и знаки пунктуации, поскольку в этой однострочной строке нет признака конца строки, на котором . остановилась бы. Точка — самый широкий из всех классов, именно поэтому её обычно заменяют более узким.
Шаблон [A-Z]\d нашёл A7: классы символов используются не только для подсчёта — объединённые в последовательность, они проверяют структуру; здесь — букву, за которой непосредственно следует цифра. \p{Punct} отдельно нашёл 9 знаков пунктуации, демонстрируя, что именованные классы POSIX работают наряду с сокращениями.

Практика

Какой класс символов в Java regex соответствует одной строчной букве, которая является гласной?

[a-z&&[aeiou]] — оператор && формирует пересечение диапазона строчных букв и набора гласных[a-z||aeiou] — оператор || объединяет два набора, оставляя только общие элементы[a-z[aeiou]] — вложение одного класса в другой оставляет только символы, входящие в оба[^a-z&&aeiou] — ведущий ^ ограничивает класс только гласными

Что изучать дальше

Класс символов соответствует одному символу; следующий шаг — управление тем, сколько их вы сопоставляете и что делать с результатом:

Квантификаторы regex — добавьте +, *, ? и {n,m}, чтобы класс совпадал с последовательностью символов.
Захватывающие группы — оберните класс в (...), чтобы извлечь найденную подстроку.
Pattern и Matcher — API, используемый во всех примерах выше, подробно.
Флаги regex — CASE_INSENSITIVE, UNICODE_CHARACTER_CLASS и другие параметры, изменяющие поведение классов.