Java正則表達式的總結
關(guān)鍵詞：
Java正則表達式 正則表達式用來(lái)指定字符串模式。當你需要定位匹配某種模式的字符串時(shí)就可以使用正則表達式。例如，我們下面有一個(gè)例程就是在一個(gè)HTML文件中通過(guò)查找字符串模式<a href="...">來(lái)定位所有的超鏈接的。
當然，為了指定一種模式，使用...這種記號是不夠精確的。你需要精確地指定什么樣的字符排列是一個(gè)合法的匹配。當描述某種模式時(shí)，你需要使用一種特殊的語(yǔ)法。
這里有一個(gè)簡(jiǎn)單例子。正則表達式
[Jj]ava.+
匹配具有下列形式的任何字符串：
- 字符串的剩余部分由一個(gè)或多個(gè)任意字符組成
例如，字符串“javaness”匹配這個(gè)特殊的正則表達式，但是字符串“Core Java”卻不匹配。
如你所見(jiàn)，你需要了解一點(diǎn)語(yǔ)法來(lái)理解正則表達式的含意。幸運的是對于大多數的用途，使用少量的簡(jiǎn)單構造（straightforward constructs）就已足夠。
- 字符類(lèi)是可選自符的集合，用‘[’封裝，比如[Jj],[0-9],[A-Za-z]或[^0-9]。這里的-表示范圍（Unicode落在兩個(gè)邊界之間的所有字符），^表示求補（指定字符外的所有字符）。
- 有許多預定義的字符類(lèi)，像\d（數字）或\p{Sc}（Unicode貨幣符號），見(jiàn)表12-8和12-9。
- 大多數字符與它們自身匹配，比如上例中的ava字符。
- 符號.匹配任何字符（可能行終止符（line terminators）除外，這由標志設置（flag settings）決定）
- \用作轉義符，比如\.匹配一個(gè)句點(diǎn)，\\匹配一個(gè)反斜杠。
- 如果X和Y都是正則表達式，則XY表示“X的匹配后面跟著(zhù)Y的匹配”。X|Y表示“任何X或Y的匹配”
- 可以將量詞（quantifier）用到表達式中，X+ 表示X重復1次或多次，X* 表示X重復0次或多次，X? 表示X重復0次或1次
- 默認地，一個(gè)量詞總是與使總體成功匹配的最長(cháng)的可能重復相匹配?？梢约由虾缶Y？（稱(chēng)為reluctant或stingy 匹配，用以匹配最小的重復數），和+（稱(chēng)為possessive或貪婪匹配（疑問(wèn)：默認是貪婪匹配，這里為何還叫g(shù)reedy匹配？），用以即使在總體匹配失敗的情況下也匹配最大的重復數）來(lái)更改這種屬性。
例如，字符串cab匹配[a-z]*ab，但不匹配[a-z]*+ab。第一種情況下，[a-z]*只匹配字符c，因此字符ab正好與模式的剩余部分匹配。但是貪婪版本[a-z]*+就已經(jīng)與字符cab匹配，模式的剩余部分ab也就匹配失?。?，這樣總體也就匹配失?。?。
- 可以使用分組（groups）來(lái)定義子表達式。將分組封裝在（）中，如([+-]?)([0-9]+)。然后你可以讓模式匹配符（the pattern matcher）返回每個(gè)分組的匹配，或者使用\n來(lái)回引分組（refer back to a group with \n），其中n是組號（以\1起始，即第一個(gè)分組編號\1）
這里有一個(gè)稍微有點(diǎn)復雜卻又很有用的正則表達式－－它用來(lái)描述十進(jìn)制或十六進(jìn)制的整數。
[+-]?[0-9]+|0[Xx][0-9A-Fa-f]+
不幸的是，在使用正則表達式的各種程序和庫之間，它的語(yǔ)法還沒(méi)有完全標準化。對基本的構造已有了共識，但在細節方面有許多令人“抓狂”的區別（many maddening differences）。Java的正則表達式類(lèi)使用了與Perl語(yǔ)言類(lèi)似的語(yǔ)法，但也不盡相同。表12-8顯示了Java語(yǔ)法的所有正則表達式構造。要了解更多關(guān)于正則表達式的信息，請參考Pattern類(lèi)的API文檔，或者Jeffrey E. F. Friedl的著(zhù)作《Mastering Regular Expressions》(O‘Reilly and Associates, 1997)（剛去第二書(shū)店查了一下，東南大學(xué)出版社已經(jīng)引入了其第二版，影?。?br>
表12-8 正則表達式語(yǔ)法
語(yǔ)法 解釋
字符c 字符c
\unnnn, \xnn, \0n, \0nn, \0nnn 帶有十六或八進(jìn)制值的代碼單元
\0n 八進(jìn)制0n代表的字符（0<=n<=7）
\0nn 八進(jìn)制0nn代表的字符(0<=n<=7)
\0mnn 八進(jìn)制0mnn代表的字符(0<=m<=3,0<=n<=7)
\xnn 十六進(jìn)制 0xnn所代表的字符
\uhhhh 十六進(jìn)制 0xhhhh所代表的字符
\t, \n, \r, \f, \a, \e 控制字符
\t 制表符（\x09）
\n 換行符（\x0a）
\r 回車(chē)符（\x0d）
\f 換頁(yè)符（\x0c）
\a 報警符
\e 轉義符
\cc 控制字符中出現的相應字符c
字符類(lèi)[C1C2. . .] 由C1、C2……任意一個(gè)表示的字符。Ci可以是字符，字符范圍（C1-C2）或者字符類(lèi)。
[^. . .] 字符類(lèi)的補集
[ . . . && . . .] 兩個(gè)字符類(lèi)的交集
預定義字符類(lèi). 除行終止符外的任何字符（如果DOTALL標志置位，則表示任何字符）
\d 數字[0-9]
\D 非數字[^0-9]
\s 空白字符[\t\n\r\f\x0B]
\S 非空白字符
\w 單詞字符[a-zA-Z0-9_]
\W 非單詞字符
\p{name} 一個(gè)指定的字符類(lèi)，見(jiàn)表12-9
\P{name} 指定字符類(lèi)的補集
邊界匹配符^ $ 輸入的開(kāi)頭和結尾(在多行模式(multiline mode)下是行的開(kāi)頭和結尾)
\b 單詞邊界
\B 非單詞邊界
\A 輸入的開(kāi)頭
\z 輸入的結尾
\Z 除最后行終止符之外的輸入結尾
\G 上個(gè)匹配的結尾
量詞X? 可選的X（即X可能出現，也可能不出現）
X* X，可以重復0次或多次
X+ X，可以重復1次或多次
X{n} X{n,} X{n,m} X重復n次，至少重復n次，重復n到m次
量詞后綴 設默認（貪婪）匹配為reluctant匹配
+ 設默認（貪婪）匹配為possessive匹配
集合操作XY X的匹配后面跟著(zhù)Y的匹配
X|Y X或Y的匹配
分組(X) 在一個(gè)分組中捕獲匹配X的字符串
\n 與第n個(gè)分組的匹配
轉義\c 字符c（必須不是字母）
\Q...\E 逐字地引用...
（？...） 特殊構造，見(jiàn)Pattern類(lèi)的API
表12.9 預定義的字符類(lèi)名（Predefined Character Class Names）
Lower 小寫(xiě)的ASII字符[a-z]
Upper 大寫(xiě)的ASCII字符[A-Z]
Alpha ASCII字母[A-Za-z]
Digit ASCII 數字 [0-9]
Alnum ASCII 字母或數字[A-Za-z0-9]
Xdigit 十六進(jìn)制數字[0-9A-Fa-f]
Print or Graph 可打印的ASCII字符[\x21-\x7E]
Punct 非字母或數字ASCII [\p{Print}&&\P{Alnum}]
ASCII 所有ASCII字符 [\x00-\x7F]
Cntrl ASCII控制字符[\x00-\x1F]
Blank 空格符或制表符[ \t]
Space 空白符 [ \t\n\r\f\0x0B]
javaLowerCase 取決于Character.isLowerCase()的小寫(xiě)字符
javaUpperCase 取決于Character.isUpperCase()的大寫(xiě)字符
javaWhitespace 取決于Character.isWhitespace()的空白符
javaMirrored 取決于Character.isMirrored()的Mirrored（？）
InBlock 這里的Block是unicode字符的塊名，用空格隔開(kāi)，比如BasicLatin 或 Mongolian。塊名列表 參考http://www.unicode.org
Category 或InCategory 這里的Category是Unicode字符的種類(lèi)名，比如L（字母）或者Sc（貨幣符號）。種類(lèi) 名列表參考http://www.unicode.org
正則表達式的最簡(jiǎn)單使用是測試某個(gè)特殊的字符串是否與之匹配。這里有一個(gè)Java寫(xiě)的測試程序。首先從表示正則表達式的字符串構造一個(gè)Pattern對象。然后從該模式獲得一個(gè)Matcher對象，并且調用它的matches()方法：
Pattern pattern = Pattern.compile(patternString);
Matcher matcher = pattern.matcher(input);
if (matcher.matches()) . . .
matcher的輸入可以是實(shí)現CharSequence接口的任何類(lèi)對象，像String，StringBuilder或CharBuffer。
當編譯模式時(shí)，可以設置一個(gè)或多個(gè)標志，例如
Pattern pattern = Pattern.compile(patternString,
Pattern.CASE_INSENSITIVE + Pattern.UNICODE_CASE);
下面六個(gè)標志都是支持的：
CASE_INSENSITIVE：匹配字符時(shí)與大小寫(xiě)無(wú)關(guān)，該標志默認只考慮US ASCII字符。
UNICODE_CASE：當與CASE_INSENSITIVE結合時(shí)，考慮Unicode字母匹配
MULTILINE：^和$匹配一行的開(kāi)始和結尾，而不是整個(gè)輸入
UNIX_LINES： 當在多行模式下匹配^和$時(shí)，只將‘\n‘看作行終止符
DOTALL: 當使用此標志時(shí)，.符號匹配包括行終止符在內的所有字符
CANON_EQ: 考慮Unicode字符的規范等價(jià)。比如u后面跟著(zhù)¨匹配ü（u上面兩點(diǎn)）
如果正則表達式包含分組，Matcher對象能夠找到分組邊界。方法
int start(int groupIndex)
int end(int groupIndex)
返回某個(gè)特殊分組的起始索引和結尾后索引（past-the-end index ）。
通過(guò)調用String group(int groupIndex)，你可以簡(jiǎn)單地得到匹配的字符串。
第0個(gè)分組代表所有的分組，第一個(gè)實(shí)際分組的索引是1。調用groupCount來(lái)獲得總的分組數。
使用開(kāi)放圓括號來(lái)安排嵌套分組。例如，給定模式((1?[0-9]):([0-5][0-9]))[ap]m，并且輸入11:59am,Matcher對象報告下列分組
((1?[0-9]):([0-5][0-9]))[ap]m
并輸入
11:59am
matcher報告下列分組
分組索引 起始 結束 字符串
0 0 7 11;59am
1 0 5 11:59
2 0 2 11
3 3 5 59
例12－9提示輸入一個(gè)模式和一個(gè)欲匹配的字符串。它將輸出輸入的字符串是否匹配模式。如果輸入匹配包含分組的模式，程序將會(huì )使用圓括號來(lái)打印分組邊界，如((11):(59))am
Example 12-9. RegexTest.java
1. import java.util.*;
2. import java.util.regex.*;
3.
4. /**
5. This program tests regular expression matching.
6. Enter a pattern and strings to match, or hit Cancel
7. to exit. If the pattern contains groups, the group
8. boundaries are displayed in the match.
9. */
10. public class RegExTest
11. {
12. public static void main(String[] args)
13. {
14. Scanner in = new Scanner(System.in);
15. System.out.println("Enter pattern: ");
16. String patternString = in.nextLine();
17.
18. Pattern pattern = null;
19. try
20. {
21. pattern = Pattern.compile(patternString);
22. }
23. catch (PatternSyntaxException e)
24. {
25. System.out.println("Pattern syntax error");
26. System.exit(1);
27. }
28.
29. while (true)
30. {
31. System.out.println("Enter string to match: ");
32. String input = in.nextLine();
33. if (input == null || input.equals("")) return;
34. Matcher matcher = pattern.matcher(input);
35. if (matcher.matches())
36. {
37. System.out.println("Match");
38. int g = matcher.groupCount();
39. if (g > 0)
40. {
41. for (int i = 0; i < input.length(); i++)
42. {
43. for (int j = 1; j <= g; j++)
44. if (i == matcher.start(j))
45. System.out.print(‘(‘);
46. System.out.print(input.charAt(i));
47. for (int j = 1; j <= g; j++)
48. if (i + 1 == matcher.end(j))
49. System.out.print(‘)‘);
50. }
51. System.out.println();
52. }
53. }
54. else
55. System.out.println("No match");
56. }
57. }
58. }
通常地，你不希望匹配整個(gè)輸入到某個(gè)正則表達式，而是希望在輸入中找出一個(gè)或多個(gè)匹配的子字符串。使用Matcher類(lèi)的find方法來(lái)尋找下一個(gè)匹配。如果它返回True，再使用start和end方法找出匹配的范圍。
while (matcher.find())
{
int start = matcher.start();
int end = matcher.end();
String match = input.substring(start, end);
. . .
}
例12-10用到了這種機制。它在一個(gè)網(wǎng)頁(yè)中定位所有的超文本引用并打印它們。為運行程序，在命令行提供一個(gè)URL，比如
java HrefMatch http://www.horstmann.com
Example 12-10. HrefMatch.java
1. import java.io.*;
2. import java.net.*;
3. import java.util.regex.*;
4.
5. /**
6. This program displays all URLs in a web page by
7. matching a regular expression that describes the
8. <a href=...> HTML tag. Start the program as
9. java HrefMatch URL
10. */
11. public class HrefMatch
12. {
13. public static void main(String[] args)
14. {
15. try
16. {
17. // get URL string from command line or use default
18. String urlString;
19. if (args.length > 0) urlString = args[0];
20. else urlString = "http://java.sun.com";
21.
22. // open reader for URL
23. InputStreamReader in = new InputStreamReader(new URL(urlString).openStream());
24.
25. // read contents into string buffer
26. StringBuilder input = new StringBuilder();
27. int ch;
28. while ((ch = in.read()) != -1) input.append((char) ch);
29.
30. // search for all occurrences of pattern
31. String patternString = "<a\\s+href\\s*=\\s*(\"[^\"]*\"|[^\\s>])\\s*>";
32. Pattern pattern = Pattern.compile(patternString, Pattern.CASE_INSENSITIVE);
33. Matcher matcher = pattern.matcher(input);
34.
35. while (matcher.find())
36. {
37. int start = matcher.start();
38. int end = matcher.end();
39. String match = input.substring(start, end);
40. System.out.println(match);
41. }
42. }
43. catch (IOException e)
44. {
45. e.printStackTrace();
46. }
47. catch (PatternSyntaxException e)
48. {
49. e.printStackTrace();
50. }
51. }
52. }
Matcher類(lèi)的replaceAll方法用一個(gè)替換字符串代替出現的所有正則表達式的匹配。比如，下列指令用#替換所有數字序列
Pattern pattern = Pattern.compile("[0-9]+");
Matcher matcher = pattern.matcher(input);
String output = matcher.replaceAll("#");
替換字符串可以包含模式中的分組引用：$n被第n個(gè)分組替換。替換文本中出現$時(shí)，使用\$來(lái)包含它。
replaceFirst方法只替換模式的第一次出現。
最后講一點(diǎn)，Pattern類(lèi)有一個(gè)split方法，它類(lèi)似于字符串tokenizer。它使用正則表達式匹配作邊界，將輸入分離成字符串數組。比如，下面的指令將輸入分離成記號（token），
Pattern pattern = Pattern.compile("\\s*\\p{Punct}\\s*");
String[] tokens = pattern.split(input);
類(lèi)
java.util.regex.Pattern 1.4
方法
static Pattern compile(String expression)
static Pattern compile(String expression, int flags)
編譯正則表達式字符串到pattern對象用以匹配的快速處理
參數:
expression 正則表達式
flags 下列標志中的一個(gè)或多個(gè) CASE_INSENSITIVE, UNICODE_CASE, MULTILINE, UNIX_LINES, DOTALL, and CANON_EQ
Matcher matcher(CharSequence input)
返回一個(gè)matcher對象，它可以用來(lái)在一個(gè)輸入中定位模式匹配
String[] split(CharSequence input)
String[] split(CharSequence input, int limit)
將輸入字符串分離成記號，并由pattern來(lái)指定分隔符的形式。返回記號數組。分隔符并不是記號的一部分。
參數:
input 分離成記號的字符串
limit 生成的最大字符串數。
類(lèi)
java.util.regex.Matcher 1.4
方法
boolean matches()
返回輸入是否與模式匹配
boolean lookingAt()
如果輸入的起始匹配模式則返回True
boolean find()
boolean find(int start)
嘗試查找下一個(gè)匹配，并在找到匹配時(shí)返回True
參數:
start 開(kāi)始搜索的索引
int start()
int end()
返回當前匹配的起始位置和結尾后位置
String group()
返回當前匹配
int groupCount()
返回輸入模式中的分組數
int start(int groupIndex)
int end(int groupIndex)
返回一個(gè)給定分組當前匹配中的起始位置和結尾后位置
參數:
groupIndex分組索引（從1開(kāi)始），0表示整個(gè)匹配
String group(int groupIndex)
返回匹配一個(gè)給定分組的字符串
參數:
groupIndex
分組索引（從1開(kāi)始），0表示整個(gè)匹配
String replaceAll(String replacement)
String replaceFirst(String replacement)
返回從matcher輸入得到的字符串，但已經(jīng)用替換表達式替換所有或第一個(gè)匹配
參數:
replacement 替換字符串
Matcher reset()
Matcher reset(CharSequence input)
復位mather狀態(tài)。
