随笔档案

   正则表达式用来指定字符串模式。当你需要定位匹配某种模式的字符串时就可以使用正则表达式。例如，我们下面的一个例程就是在一个HTML文件中通过查找字符串模式<a href="...">来定位所有的超链接。

    当然，为了指定一种模式，使用...这种记号是不够精确的。你需要精确地指定什么样的字符排列是一个合法的匹配。当描述某种模式时，你需要使用一种特殊的语法。

    这里有一个简单例子。正则表达式
[Jj]ava.+
匹配下列形式的任何字符串：
首字母是J或j
后续的三个字母是ava
字符串的剩余部分由一个或多个任意字符组成

    例如，字符串“javaness”匹配这个特殊的正则表达式，但是字符串“Core Java”却不匹配。

    如你所见，你需要了解一点语法来理解正则表达式的含意。幸运的是对于大多数的用途，使用少量的简单构造（straightforward constructs）就已足够。
字符类是可选自符的集合，用‘[’封装，比如[Jj],[0-9],[A-Za-z]或[^0-9]。这里的-表示范围（Unicode落在两个边界之间的所有字符），^表示求补（指定字符外的所有字符）。
有许多预定以的字符类，像\d（数字）或\p{Sc}（Unicode货币符号），见表12-8和12-9。
大多数字符与它们自身匹配，像上例中的ava字符。
符号.匹配任何字符（可能行终止符（line terminators）除外，这依赖于标识设置（flag settings））
\用作转义符，比如\.匹配一个句点，\\匹配一个反斜杠。
 ^和$分别匹配行头和行尾
如果X和Y都是正则表达式，则XY表示“X的匹配后面跟着Y的匹配”。X|Y表示“任何X或Y的匹配”
可以将量词（quantifier）用到表达式中，X+ 表示X重复1次或多次，X* 表示X重复0次或多次，X? 表示X重复0次或1次
 默认地，一个量词总是与使总体成功匹配的最长的可能重复匹配。可以加上后缀？（称为reluctant或stingy 匹配，用以匹配最小的重复数），和+（称为possessive或贪婪匹配，用以即使在总体匹配失败的情况下也匹配最大的重复数）来更改这种属性。

例如，字符串cab匹配[a-z]*ab，但不匹配[a-z]*+ab。第一种情况下，[a-z]*只匹配字符c，因此字符ab正好与模式的剩余部分匹配。但是贪婪版本[a-z]*+就与字符cab匹配，模式的剩余部分ab就匹配失败（，这样总体也就匹配失败）。
可以使用分组来定义子表达式。将分组封装在（）中，如([+-]?)([0-9]+)。然后你可以让模式匹配符（the pattern matcher）返回每个分组的匹配，或者使用\n来回引分组（refer back to a group with \n），其中n是组号（以\1起始）

    这里有一个稍微有点复杂却又很有用的正则表达式－－它用来描述十进制和十六进制的整数。
[+-]?[0-9]+|0[Xx][0-9A-Fa-f]+

    不幸的是，在使用正则表达式的各种程序和库之间，它的语法还没有完全标准化。对基本的构造上已达成了共识，但在细节方面有许多令人“抓狂”的区别（many maddening differences）。Java的正则表达式类使用了与Perl语言类似的语法，但也不尽相同。表12-8显示了Java语法的所有正则表达式构造。要了解更多关于正则表达式的信息，请参考Pattern类的API文档，或者Jeffrey E. F. Friedl的著作《Mastering Regular Expressions》(O'Reilly and Associates, 1997)（刚去第二书店查了一下，东南大学出版社已经引入了其第二版，影印）

表12-8 正则表达式语法
语法                                                          解释
字符
c                                                            字符c
\unnnn, \xnn, \0n, \0nn, \0nnn          带有十六或八进制值的代码单元
\0n                                           八进制0n代表的字符（0<=n<=7）
\0nn                                         八进制0nn代表的字符(0<=n<=7)
\0mnn                                     八进制0mnn代表的字符(0<=m<=3,0<=n<=7)
\xnn                                         十六进制 0xnn所代表的字符
\uhhhh                                    十六进制 0xhhhh所代表的字符
\t, \n, \r, \f, \a, \e                                    控制字符，依次是制表符，换行符，回车符，换页符，报警符和转义符
\cc                                                         控制字符中出现的相应字符c
字符类
[C1C2. . .]                       C1、C2……中的任何字符。Ci可以是字符，字符范围（C1-C2）或者字符类。
[^. . .]                                字符类的补集
[ . . . && . . .]                    两个字符类的交集
预定义字符类
.                                        除行终止符外的任何字符（如果DOTALL标志置位，则表示任何字符）
\d                                      数字[0-9]
\D                                    非数字[^0-9]
\s                                     空白字符[\t\n\r\f\x0B]
\S                                     非空白字符
\w                                    单词字符[a-zA-Z0-9_]
\W                                   非单词字符
\p{name}                        一个指定的字符类，见表12-9
\P{name}                       指定字符类的补集
边界匹配符
^ $                                   输入的开头和结尾(在多行模式(multiline mode)下是行的开头和结尾)
\b                                    单词边界
\B                                    非单词边界
\A                                     输入的开头
\z                                     输入的结尾
\Z                                    除最后行终止符之外的输入结尾
\G                                   上个匹配的结尾
量词
X?                                    可选的X（即X可能出现，也可能不出现）
X*                                    X，可以重复0次或多次
X+                                    X，可以重复1次或多次
X{n} X{n,} X{n,m}          X重复n次，至少重复n次，重复n到m次
量词后缀
?                                   设默认（贪婪）匹配为reluctant匹配
+                                   设默认（贪婪）匹配为possessive匹配
集合操作
XY                                  X的匹配后面跟着Y的匹配
X|Y                                 X或Y的匹配
分组
(X)                                匹配X并且在一个自动计数的分组中捕获它
\n                                  与第n个分组的匹配
转义
\c                                   字符c（必须不是字母）
\Q...\E                            逐字地引用...
（？...）                       特殊构造，看Pattern类的API

    正则表达式的最简单使用是测试一个特殊的字符串是否与之匹配。这里有一个Java写的测试程序。首先从表示正则表达式的字符串构造一个Pattern对象。然后从该模式获得一个Matcher对象，并且调用它的matches()方法：
Pattern pattern = Pattern.compile(patternString);
Matcher matcher = pattern.matcher(input);
if (matcher.matches()) . . .

    表12.9 预定义的字符类名（Predefined Character Class Names）
Lower                         小写的ASII字符[a-z]
Upper                         大写的ASCII字符[A-Z]
Alpha                          ASCII字母[A-Za-z]
Digit                            ASCII 数字 [0-9]
Alnum                         ASCII 字母或数字[A-Za-z0-9]
Xdigit                         十六进制数字[0-9A-Fa-f]
Print or Graph          可打印的ASCII字符[\x21-\x7E]
Punct                         非字母或数字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       取决于Character.isLowerCase()的小写字符
javaUpperCase      取决于Character.isUpperCase()的大写字符
javaWhitespace     取决于Character.isWhitespace()的空白符
javaMirrored            取决于Character.isMirrored()的Mirrored（？）
InBlock                      这里的Block是unicode字符的块名，用空格隔开，比如BasicLatin 或 Mongolian。块名列表                                  参考http://www.unicode.org
Category 或InCategory     这里的Category是Unicode字符的种类名，比如L（字母）或者Sc（货币符号）。种类                                        名列表参考http://www.unicode.org 

    matcher的输入可以是实现CharSequence接口的任何类对象，像String，StringBuilder或CharBuffer。

    当编译模式时，可以设置一个或多个标志，例如
Pattern pattern = Pattern.compile(patternString,
Pattern.CASE_INSENSITIVE + Pattern.UNICODE_CASE);

下面六个标志都是支持的：
CASE_INSENSITIVE：匹配字符时与大小写无关，该标志默认只考虑US ASCII字符。
UNICODE_CASE：当与CASE_INSENSITIVE结合时，使用Unicode字母匹配
MULTILINE：^和$匹配一行的开始和结尾，而不是整个输入
UNIX_LINES： 当在多行模式下匹配^和$时，只将'\n'看作行终止符
DOTALL: 当使用此标志时，.符号匹配包括行终止符在内的所有字符
CANON_EQ: 考虑Unicode字符的规范等价

     如果正则表达式包含分组，Matcher对象能够揭示分组边界。方法
int start(int groupIndex)
int end(int groupIndex)
返回某个特殊分组的起始索引和结尾后索引（past-the-end index ）。
通过调用String group(int groupIndex)，你可以简单地得到匹配的字符串。
第0个分组代表所有的分组，第一个实际分组的索引是1。调用groupCount来获得总的分组数。

     使用开放圆括号来安排嵌套分组。例如，给定模式((1?[0-9]):([0-5][0-9]))[ap]m，并且输入11:59am,Matcher对象报告下列分组
((1?[0-9]):([0-5][0-9]))[ap]m
并输入
11:59am
matcher报告下列分组

分组索引  起始  结束  字符串
0              0          7      11;59am
1              0          5      11:59
2              0          2      11
3              3          5      59
 
例12－9提示输入一个模式和一个欲匹配的字符串。它将输出输入的字符串是否匹配模式。如果输入匹配包含分组的模式，程序将会使用圆括号来打印分组边界，如((11):(59))am

Example 12-9. RegexTest.java
 

     通常地，你不希望匹配整个输入到某个正则表达式，而是希望在输入中找出一个或多个匹配的子字符串。使用Matcher类的find方法来寻找下一个匹配。如果它返回True，再使用start和end方法找出匹配的范围。

while (matcher.find())
{
   int start = matcher.start();
   int end = matcher.end();
   String match = input.substring(start, end);
   . . .
}

例12-10用到了这种机制。它在一个网页中定位所有的超文本引用并打印它们。为运行程序，在命令行提供一个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类的replaceAll方法用一个替换字符串代替出现的所有正则表达式的匹配。比如，下列指令用#替换所有数字序列

Pattern pattern = Pattern.compile("[0-9]+");
Matcher matcher = pattern.matcher(input);
String output = matcher.replaceAll("#");
    替换字符串可以包含模式中的分组引用：$n被第n个分组替换。替换文本中出现$时，使用\$来包含它。
replaceFirst方法只替换模式的第一次出现。

    最后讲一点，Pattern类有一个split方法，它类似于字符串tokenizer。它使用正则表达式匹配作边界，将输入分离成字符串数组。比如，下面的指令将输入分离成记号（token），

Pattern pattern = Pattern.compile("\\s*\\p{Punct}\\s*");
String[] tokens = pattern.split(input);

类
java.util.regex.Pattern 1.4
方法
static Pattern compile(String expression)
static Pattern compile(String expression, int flags)
编译正则表达式字符串到pattern对象用以匹配的快速处理
参数:
 expression 正则表达式
 flags            下列标志中的一个或多个 CASE_INSENSITIVE, UNICODE_CASE, MULTILINE, UNIX_LINES, DOTALL, and CANON_EQ
 
Matcher matcher(CharSequence input)
返回一个matcher对象，它可以用来在一个输入中定位模式匹配

String[] split(CharSequence input)
String[] split(CharSequence input, int limit)
将输入字符串分离成记号，并由pattern来指定分隔符的形式。返回记号数组。分隔符并不是记号的一部分。
参数:
input 分离成记号的字符串
limit 生成的最大字符串数。
 类
java.util.regex.Matcher 1.4
方法
boolean matches()
返回输入是否与模式匹配

boolean lookingAt()
如果输入的起始匹配模式则返回True

boolean find()
boolean find(int start)
尝试查找下一个匹配，并在找到匹配时返回True
参数:
 start  开始搜索的索引
 
int start()
int end()
返回当前匹配的起始位置和结尾后位置

String group()
返回当前匹配

int groupCount()
返回输入模式中的分组数

int start(int groupIndex)
int end(int groupIndex)
返回一个给定分组当前匹配中的起始位置和结尾后位置
参数:
 groupIndex分组索引（从1开始），0表示整个匹配

String group(int groupIndex)
返回匹配一个给定分组的字符串
参数:
 groupIndex
 分组索引（从1开始），0表示整个匹配

String replaceAll(String replacement)
String replaceFirst(String replacement)
返回从matcher输入得到的字符串，但已经用替换表达式替换所有或第一个匹配
参数:
 replacement 替换字符串

Matcher reset()
Matcher reset(CharSequence input)
复位mather状态。