可粗略估計一下，除了偶爾用Linux的外，其他Linu x用戶(hù)都會(huì )遇到正則表達式。正則表達式是個(gè)極端強大工具，而且在字符串模式－匹配和字符串模式－替換方面富有彈性。在Unix世界里，正則表達式幾乎沒(méi)有什么限制，可肯定的是，它應用非常之廣泛。
正則表達式的引擎已被許多普通的Unix工具所實(shí)現，包括grep，awk，vi和Emacs等。此外，許多使用比較廣泛的腳本語(yǔ)言也支持正則表達式，比如Python，Tcl，JavaScript，以及最著(zhù)名的Perl。
我很早以前就是個(gè)Perl方面的黑客，如果你和我一樣話(huà)，你也會(huì )非常依賴(lài)你手邊的這些強大的text-munging工具。近幾年來(lái)，像其他程序開(kāi)發(fā)者一樣，我也越來(lái)越關(guān)注Java的開(kāi)發(fā)。
Java作為一種開(kāi)發(fā)語(yǔ)言，有許多值得推薦的地方，但是它一直以來(lái)沒(méi)有自帶對正則表達式的支持。直到最近，借助于第三方的類(lèi)庫，Java開(kāi)始支持正則表達式，但這些第三方的類(lèi)庫都不一致、兼容性差，而且維護代碼起來(lái)很糟糕。這個(gè)缺點(diǎn)，對我選擇Java作為首要的開(kāi)發(fā)工具來(lái)說(shuō)，一直是個(gè)巨大的顧慮之處。
你可以想象，當我知道Sun的Java JDK 1.40版本包含了java.util.regex（一個(gè)完全開(kāi)放、自帶的正則表達式包）時(shí)，是多么的高興！很搞笑的說(shuō)，我花好些時(shí)間去挖掘這個(gè)被隱藏起來(lái)的寶石。我非常驚奇的是，Java這樣的一個(gè)很大改進(jìn)（自帶了java.util.regex包）為什么不多公開(kāi)一點(diǎn)呢？！
最近，Java雙腳都跳進(jìn)了正則表達式的世界。java.util.regex包在支持正則表達也有它的過(guò)人之處，另外Java也提供詳細的相關(guān)說(shuō)明文檔。使得朦朦朧朧的regex神秘景象也慢慢被撥開(kāi)。有一些正則表達式的構成（可能最顯著(zhù)的是，在于糅合了字符類(lèi)庫）在Perl都找不到。
在regex包中，包括了兩個(gè)類(lèi)，Pattern（模式類(lèi)）和Matcher（匹配器類(lèi)）。Pattern類(lèi)是用來(lái)表達和陳述所要搜索模式的對象，Matcher類(lèi)是真正影響搜索的對象。另加一個(gè)新的例外類(lèi)，PatternSyntaxException，當遇到不合法的搜索模式時(shí)，會(huì )拋出例外。
即使對正則表達式很熟悉，你會(huì )發(fā)現，通過(guò)java使用正則表達式也相當簡(jiǎn)單。要說(shuō)明的一點(diǎn)是，對那些被Perl的單行匹配所寵壞的Perl狂熱愛(ài)好者來(lái)說(shuō)，在使用java的regex包進(jìn)行替換操作時(shí)，會(huì )比他們所以前常用的方法費事些。
本文的局限之處，它不是一篇正則表達式用法的完全教程。如果讀者要對正則表達進(jìn)一步了解的話(huà)，推薦閱讀Jeffrey Frieldl的Mastering Regular Expressions，該書(shū)由O’Reilly出版社出版。我下面就舉一些例子來(lái)教讀者如何使用正則表達式，以及如何更簡(jiǎn)單地去使用它。
設計一個(gè)簡(jiǎn)單的表達式來(lái)匹配任何電話(huà)號碼數字可能是比較復雜的事情，原因在于電話(huà)號碼格式有很多種情況。所有必須選擇一個(gè)比較有效的模式。比如：(212) 555-1212， 212-555-1212和212 555 1212，某些人會(huì )認為它們都是等價(jià)的。
首先讓我們構成一個(gè)正則表達式。為簡(jiǎn)單起見(jiàn)，先構成一個(gè)正則表達式來(lái)識別下面格式的電話(huà)號碼數字：(nnn)nnn-nnnn。
第一步，創(chuàng )建一個(gè)pattern對象來(lái)匹配上面的子字符串。一旦程序運行后，如果需要的話(huà)，可以讓這個(gè)對象一般化。匹配上面格式的正則表達可以這樣構成：(\d{3})\s\d{3}-\d{4}，其中\d單字符類(lèi)型用來(lái)匹配從0到9的任何數字，另外{3}重復符號，是個(gè)簡(jiǎn)便的記號，用來(lái)表示有3個(gè)連續的數字位，也等效于(\d\d\d)。\s也另外一個(gè)比較有用的單字符類(lèi)型，用來(lái)匹配空格，比如Space鍵，tab鍵和換行符。
是不是很簡(jiǎn)單？但是，如果把這個(gè)正則表達式的模式用在java程序中，還要做兩件事。對java的解釋器來(lái)說(shuō)，在反斜線(xiàn)字符(\)前的字符有特殊的含義。在java中，與regex有關(guān)的包，并不都能理解和識別反斜線(xiàn)字符(\)，盡管可以試試看。但為避免這一點(diǎn)，即為了讓反斜線(xiàn)字符(\)在模式對象中被完全地傳遞，應該用雙反斜線(xiàn)字符(\)。此外圓括號在正則表達中兩層含義，如果想讓它解釋為字面上意思（即圓括號），也需要在它前面用雙反斜線(xiàn)字符(\)。也就是像下面的一樣：
\\(\\d{3}\\)\\s\\d{3}-\\d{4}
現在介紹怎樣在java代碼中實(shí)現剛才所講的正則表達式。要記住的事，在用正則表達式的包時(shí)，在你所定義的類(lèi)前需要包含該包，也就是這樣的一行：
import java.util.regex.*;
下面的一段代碼實(shí)現的功能是，從一個(gè)文本文件逐行讀入，并逐行搜索電話(huà)號碼數字，一旦找到所匹配的，然后輸出在控制臺。
BufferedReader in;
Pattern pattern = Pattern.compile("\\(\\d{3}\\)\\s\\d{3}-\\d{4}");
in = new BufferedReader(new FileReader("phone"));
String s;
while ((s = in.readLine()) != null)
{
Matcher matcher = pattern.matcher(s);
if (matcher.find())
{
System.out.println(matcher.group());
}
}
in.close();
對那些熟悉用Python或Javascript來(lái)實(shí)現正則表達式的人來(lái)說(shuō)，這段代碼很平常。在Python和Javascript這些語(yǔ)言中，或者其他的語(yǔ)言，這些正則表達式一旦明確地編譯過(guò)后，你想用到哪里都可以。與Perl的單步匹配相比，看起來(lái)多多做了些工作，但這并不很費事。
find()方法，就像你所想象的，用來(lái)搜索與正則表達式相匹配的任何目標字符串，group()方法，用來(lái)返回包含了所匹配文本的字符串。應注意的是，上面的代碼，僅用在每行只能含有一個(gè)匹配的電話(huà)號碼數字字符串時(shí)?？梢钥隙ǖ恼f(shuō)，java的正則表達式包能用在一行含有多個(gè)匹配目標時(shí)的搜索。本文的原意在于舉一些簡(jiǎn)單的例子來(lái)激起讀者進(jìn)一步去學(xué)習java自帶的正則表達式包，所以對此就沒(méi)有進(jìn)行深入的探討。
這相當漂亮吧! 但是很遺憾的是，這僅是個(gè)電話(huà)號碼匹配器。很明顯，還有兩點(diǎn)可以改進(jìn)。如果在電話(huà)號碼的開(kāi)頭，即區位號和本地號碼之間可能會(huì )有空格。我們也可匹配這些情況，則通過(guò)在正則表達式中加入\s?來(lái)實(shí)現，其中?元字符表示在模式可能有0或1個(gè)空格符。
第二點(diǎn)是，在本地號碼位的前三位和后四位數字間有可能是空格符，而不是連字號，更有勝者，或根本就沒(méi)有分隔符，就是7位數字連在一起。對這幾種情況，我們可以用(-|)?來(lái)解決。這個(gè)結構的正則表達式就是轉換器，它能匹配上面所說(shuō)的幾種情況。在()能含有管道符|時(shí)，它能匹配是否含有空格符或連字符，而尾部的?元字符表示是否根本沒(méi)有分隔符的情況。
最后，區位號也可能沒(méi)有包含在圓括號內，對此可以簡(jiǎn)單地在圓括號后附上?元字符，但這不是一個(gè)很好的解決方法。因為它也包含了不配對的圓括號，比如"(555" 或 "555)"。相反，我們可以通過(guò)另一種轉換器來(lái)強迫讓電話(huà)號碼是否帶有有圓括號：(\(\d{3}\)|\d{3})。如果我們把上面代碼中的正則表達式用這些改進(jìn)后的來(lái)替換的話(huà)，上面的代碼就成了一個(gè)非常有用的電話(huà)號碼數字匹配器：
Pattern pattern =
Pattern.compile("(\\(\\d{3}\\)|\\d{3})\\s?\\d{3}(-|)?\\d{4}");
可以確定的是，你可以自己試著(zhù)進(jìn)一步改進(jìn)上面的代碼。
現在看看第二個(gè)例子，它是從Friedl的中改編過(guò)來(lái)的。其功能是用來(lái)檢查文本文件中是否有重復的單詞，這在印刷排版中會(huì )經(jīng)常遇到，同樣也是個(gè)語(yǔ)法檢查器的問(wèn)題。
匹配單詞，像其他的一樣，也可以通過(guò)好幾種的正則表達式來(lái)完成?？赡茏钪苯拥氖荺b\w+\b，其優(yōu)點(diǎn)在于只需用少量的regex元字符。其中\w元字符用來(lái)匹配從字母a到u的任何字符。+元字符表示匹配匹配一次或多次字符，\b元字符是用來(lái)說(shuō)明匹配單詞的邊界，它可以是空格或任何一種不同的標點(diǎn)符號（包括逗號，句號等）。
現在，我們怎樣來(lái)檢查一個(gè)給定的單詞是否被重復了三次？為完成這個(gè)任務(wù)，需充分利用正則表達式中的所熟知的向后掃描。如前面提到的，圓括號在正則表達式中有幾種不同的用法，一個(gè)就是能提供組合類(lèi)型，組合類(lèi)型用來(lái)保存所匹配的結果或部分匹配的結果（以便后面能用到），即使遇到有相同的模式。在同樣的正則表達中，可能（也通常期望）不止有一個(gè)組合類(lèi)型。在第n個(gè)組合類(lèi)型中匹配結果可以通過(guò)向后掃描來(lái)獲取到。向后掃描使得搜索重復的單詞非常簡(jiǎn)單：\b(\w+)\s+\1\b。
圓括號形成了一個(gè)組合類(lèi)型，在這個(gè)正則表示中它是第一組合類(lèi)型（也是僅有的一個(gè)）。向后掃描\1，指的是任何被\w+所匹配的單詞。我們的正則表達式因此能匹配這樣的單詞，它有一個(gè)或多個(gè)空格符，后面還跟有一個(gè)與此相同的單詞。注意的是，尾部的定位類(lèi)型(\b)必不可少，它可以防止發(fā)生錯誤。如果我們想匹配"Paris in the the spring"，而不是匹配"Java‘s regex package is the theme of this article"。根據java現在的格式，則上面的正則表達式就是：Pattern pattern =Pattern.compile("\\b(\\w+)\\s+\\1\\b");
最后進(jìn)一步的修改是讓我們的匹配器對大小寫(xiě)敏感。比如，下面的情況："The the theme of this article is the Java‘s regex package."，這一點(diǎn)在regex中能非常簡(jiǎn)單地實(shí)現，即通過(guò)使用在Pattern類(lèi)中預定義的靜態(tài)標志CASE_INSENSITIVE ：
Pattern pattern =Pattern.compile("\\b(\\w+)\\s+\\1\\b",
Pattern.CASE_INSENSITIVE);
有關(guān)正則表達式的話(huà)題是非常豐富，而且復雜的，用Java來(lái)實(shí)現也非常廣泛，則需要對regex包進(jìn)行的徹底研究，我們在這里所講的只是冰山一角。即使你對正則表達式比較陌生，使用regex包后會(huì )很快發(fā)現它強大功能和可伸縮性。如果你是個(gè)來(lái)自Perl或其他語(yǔ)言王國的老練的正則表達式的黑客，使用過(guò)regex包后，你將會(huì )安心地投入到j(luò )ava的世界，而放棄其他的工具，并把java的regex包看成是手邊必備的利器。
聯(lián)系客服
