Java: Expresiones Regulares

Aquí hallarás los conceptos que necesitas para trabajar expresiones regulares con Java.

¿Qué es una expresión regular?

Las expresiones regulares existen en todos los lenguajes de programación y nos sirven para realizar con unos pocos caracteres tareas avanzadas de procesamiento de cadenas como:

Dividir un texto
Buscar en un texto
Remplazar en un texto
Validar la estructura de un texto

Bloques Unicode

En Java tenemos los bloques unicode, que representan un grupo de caracteres pertenecientes a un bloque de unicode, generalmente agrupados por grupo idiomático.

Ejemplo:

\\p{InGreek}

Lista de grupos de bloques unicode para Java

\\p{InBasic_Latin}: U+0000–U+007F
\\p{InLatin-1_Supplement}: U+0080–U+00FF
\\p{InLatin_Extended-A}: U+0100–U+017F
\\p{InLatin_Extended-B}: U+0180–U+024F
\\p{InIPA_Extensions}: U+0250–U+02AF
\\p{InSpacing_Modifier_Letters}: U+02B0–U+02FF
\\p{InCombining_Diacritical_Marks}: U+0300–U+036F
\\p{InGreek_and_Coptic}: U+0370–U+03FF
\\p{InCyrillic}: U+0400–U+04FF
\\p{InCyrillic_Supplementary}: U+0500–U+052F
\\p{InArmenian}: U+0530–U+058F
\\p{InHebrew}: U+0590–U+05FF
\\p{InArabic}: U+0600–U+06FF
\\p{InSyriac}: U+0700–U+074F
\\p{InThaana}: U+0780–U+07BF
\\p{InDevanagari}: U+0900–U+097F
\\p{InBengali}: U+0980–U+09FF
\\p{InGurmukhi}: U+0A00–U+0A7F
\\p{InGujarati}: U+0A80–U+0AFF
\\p{InOriya}: U+0B00–U+0B7F
\\p{InTamil}: U+0B80–U+0BFF
\\p{InTelugu}: U+0C00–U+0C7F
\\p{InKannada}: U+0C80–U+0CFF
\\p{InMalayalam}: U+0D00–U+0D7F
\\p{InSinhala}: U+0D80–U+0DFF
\\p{InThai}: U+0E00–U+0E7F
\\p{InLao}: U+0E80–U+0EFF
\\p{InTibetan}: U+0F00–U+0FFF
\\p{InMyanmar}: U+1000–U+109F
\\p{InGeorgian}: U+10A0–U+10FF
\\p{InHangul_Jamo}: U+1100–U+11FF
\\p{InEthiopic}: U+1200–U+137F
\\p{InCherokee}: U+13A0–U+13FF
\\p{InUnified_Canadian_Aboriginal_Syllabics}: U+1400–U+167F
\\p{InOgham}: U+1680–U+169F
\\p{InRunic}: U+16A0–U+16FF
\\p{InTagalog}: U+1700–U+171F
\\p{InHanunoo}: U+1720–U+173F
\\p{InBuhid}: U+1740–U+175F
\\p{InTagbanwa}: U+1760–U+177F
\\p{InKhmer}: U+1780–U+17FF
\\p{InMongolian}: U+1800–U+18AF
\\p{InLimbu}: U+1900–U+194F
\\p{InTai_Le}: U+1950–U+197F
\\p{InKhmer_Symbols}: U+19E0–U+19FF
\\p{InPhonetic_Extensions}: U+1D00–U+1D7F
\\p{InLatin_Extended_Additional}: U+1E00–U+1EFF
\\p{InGreek_Extended}: U+1F00–U+1FFF
\\p{InGeneral_Punctuation}: U+2000–U+206F
\\p{InSuperscripts_and_Subscripts}: U+2070–U+209F
\\p{InCurrency_Symbols}: U+20A0–U+20CF
\\p{InCombining_Diacritical_Marks_for_Symbols}: U+20D0–U+20FF
\\p{InLetterlike_Symbols}: U+2100–U+214F
\\p{InNumber_Forms}: U+2150–U+218F
\\p{InArrows}: U+2190–U+21FF
\\p{InMathematical_Operators}: U+2200–U+22FF
\\p{InMiscellaneous_Technical}: U+2300–U+23FF
\\p{InControl_Pictures}: U+2400–U+243F
\\p{InOptical_Character_Recognition}: U+2440–U+245F
\\p{InEnclosed_Alphanumerics}: U+2460–U+24FF
\\p{InBox_Drawing}: U+2500–U+257F
\\p{InBlock_Elements}: U+2580–U+259F
\\p{InGeometric_Shapes}: U+25A0–U+25FF
\\p{InMiscellaneous_Symbols}: U+2600–U+26FF
\\p{InDingbats}: U+2700–U+27BF
\\p{InMiscellaneous_Mathematical_Symbols-A}: U+27C0–U+27EF
\\p{InSupplemental_Arrows-A}: U+27F0–U+27FF
\\p{InBraille_Patterns}: U+2800–U+28FF
\\p{InSupplemental_Arrows-B}: U+2900–U+297F
\\p{InMiscellaneous_Mathematical_Symbols-B}: U+2980–U+29FF
\\p{InSupplemental_Mathematical_Operators}: U+2A00–U+2AFF
\\p{InMiscellaneous_Symbols_and_Arrows}: U+2B00–U+2BFF
\\p{InCJK_Radicals_Supplement}: U+2E80–U+2EFF
\\p{InKangxi_Radicals}: U+2F00–U+2FDF
\\p{InIdeographic_Description_Characters}: U+2FF0–U+2FFF
\\p{InCJK_Symbols_and_Punctuation}: U+3000–U+303F
\\p{InHiragana}: U+3040–U+309F
\\p{InKatakana}: U+30A0–U+30FF
\\p{InBopomofo}: U+3100–U+312F
\\p{InHangul_Compatibility_Jamo}: U+3130–U+318F
\\p{InKanbun}: U+3190–U+319F
\\p{InBopomofo_Extended}: U+31A0–U+31BF
\\p{InKatakana_Phonetic_Extensions}: U+31F0–U+31FF
\\p{InEnclosed_CJK_Letters_and_Months}: U+3200–U+32FF
\\p{InCJK_Compatibility}: U+3300–U+33FF
\\p{InCJK_Unified_Ideographs_Extension_A}: U+3400–U+4DBF
\\p{InYijing_Hexagram_Symbols}: U+4DC0–U+4DFF
\\p{InCJK_Unified_Ideographs}: U+4E00–U+9FFF
\\p{InYi_Syllables}: U+A000–U+A48F
\\p{InYi_Radicals}: U+A490–U+A4CF
\\p{InHangul_Syllables}: U+AC00–U+D7AF
\\p{InHigh_Surrogates}: U+D800–U+DB7F
\\p{InHigh_Private_Use_Surrogates}: U+DB80–U+DBFF
\\p{InLow_Surrogates}: U+DC00–U+DFFF
\\p{InPrivate_Use_Area}: U+E000–U+F8FF
\\p{InCJK_Compatibility_Ideographs}: U+F900–U+FAFF
\\p{InAlphabetic_Presentation_Forms}: U+FB00–U+FB4F
\\p{InArabic_Presentation_Forms-A}: U+FB50–U+FDFF
\\p{InVariation_Selectors}: U+FE00–U+FE0F
\\p{InCombining_Half_Marks}: U+FE20–U+FE2F
\\p{InCJK_Compatibility_Forms}: U+FE30–U+FE4F
\\p{InSmall_Form_Variants}: U+FE50–U+FE6F
\\p{InArabic_Presentation_Forms-B}: U+FE70–U+FEFF
\\p{InHalfwidth_and_Fullwidth_Forms}: U+FF00–U+FFEF
\\p{InSpecials}: U+FFF0–U+FFFF

Grupos Unicode

También existe de manera similar a los bloques unicode los grupos que normalmente encasillan a algunos caracteres especiales.

Ejemplo:

\\p{Letter}{2}

Grupos de captura nombrados

Los grupos de captura nombrados son una característica de las expresiones regulares que permiten poner nombres a los grupos de captura en lugar. Esto puede hacer que sea más fácil de entender y mantener el código que utiliza expresiones regulares, ya que los nombres de los grupos de captura proporcionan una descripción más significativa de lo que se está capturando.

De esta manera podemos transformar de

([\\w]+)://([\\w.-]+):(\\d+)

(?<protocol>[\\w]+)://(?<host>[\\w.-]+):(?<port>\\d+)

E incluso podemos usas esos grupos de captura nombrados en nuestra expresión regular de remplazo

${protocol},${host},${port}

Dónde Probar

He realizado mi propio plugin de expresiones regulares con Java para IntelliJ Idea, no dudes en descargarlo desde la página oficial. Dicho plugin depende de que tengas JavaFX instalado para funcionar.

Tambien puedes descargar una version para escritorio en la seccion de releases del repositorio de codigo opensource que hice para este.

Si usas tu IDE con Java 8 funcionará de maravilla.

javatlacati