Java正则表达式详解(上)

1/5/2008来源:Java教程人气:10417


  假如你曾经用过Perl或任何其他内建正则表达式支持的语言,你一定知道用正则表达式处理文本和匹配模式是多么简单。假如你不熟悉这个术语,那么“正则表达式”(Regular EXPRession)就是一个字符构成的串,它定义了一个用来搜索匹配字符串的模式。 
  
  许多语言,包括Perl、php、Python、javascript和JScript,都支持用正则表达式处理文本,一些文本编辑器用正则表达式实现高级“搜索-替换”功能。那么Java又怎样呢?本文写作时,一个包含了用正则表达式进行文本处理的Java规范需求(Specification Request)已经得到认可,你可以期待在JDK的下一版本中看到它。 
  
  然而,假如现在就需要使用正则表达式,又该怎么办呢?你可以从Apache.org下载源代码开放的Jakarta-ORO库。本文接下来的内容先简要地介绍正则表达式的入门知识,然后以Jakarta-ORO API为例介绍如何使用正则表达式。 
  
  
  一、正则表达式基础知识 
  
  我们先从简单的开始。假设你要搜索一个包含字符“cat”的字符串,搜索用的正则表达式就是“cat”。假如搜索对大小写不敏感,单词“catalog”、“Catherine”、“sophisticated”都可以匹配。也就是
   Java正则表达式详解(上)(图一)
  1.1 句点符号 
  
  假设你在玩英文拼字游戏,想要找出三个字母的单词,而且这些单词必须以“t”字母开头,以“n”字母结束。另外,假设有一本英文字典,你可以用正则表达式搜索它的全部内容。要构造出这个正则表达式,你可以使用一个通配符——句点符号“.”。这样,完整的表达式就是“t.n”,它匹配“tan”、“ten”、“tin”和“ton”,还匹配“t#n”、“tpn”甚至“t n”,还有其他许多无意义的组合。这是因为句点符号匹配所有字符,包括空格、Tab字符甚至换行符: 
   Java正则表达式详解(上)(图二)
  1.2 方括号符号 
  
  为了解决句点符号匹配范围过于广泛这一问题,你可以在方括号(“[]”)里面指定看来有意义的字符。此时,只有方括号里面指定的字符才参与匹配。也就是说,正则表达式“t[aeio]n”只匹配“tan”、“Ten”、“tin”和“ton”。但“Toon”不匹配,因为在方括号之内你只能匹配单个字符: 
   Java正则表达式详解(上)(图三)
  1.3 “或”符号 
  
  假如除了上面匹配的所有单词之外,你还想要匹配“toon”,那么,你可以使用“”操作符。“”操作符的基本意义就是“或”运算。要匹配“toon”,使用“t(aeiooo)n”正则表达式。这里不能使用方扩号,因为方括号只答应匹配单个字符;这里必须使用圆括号“()”。圆括号还可以用来分组,具体请参见后面介绍。 
   Java正则表达式详解(上)(图四)
   1.4 表示匹配次数的符号 
  
  表一显示了表示匹配次数的符号,这些符号用来确定紧靠该符号左边的符号出现的次数:
  Java正则表达式详解(上)(图五)
  假设我们要在文本文件中搜索美国的社会安全号码。这个号码的格式是999-99-9999。用来匹配它的正则表达式如图一所示。在正则表达式中,连字符(“-”)有着非凡的意义,它表示一个范围,比如从0到9。因此,匹配社会安全号码中的连字符号时,它的前面要加上一个转义字符“\”。
   Java正则表达式详解(上)(图六)
  图一:匹配所有123-12-1234形式的社会安全号码
  
  假设进行搜索的时候,你希望连字符号可以出现,也可以不出现——即,999-99-9999和999999999都属于正确的格式。这时,你可以在连字符号后面加上“?”数量限定符号,如图二所示:
  Java正则表达式详解(上)(图七)
  图二:匹配所有123-12-1234和123121234形式的社会安全号码
  
  下面我们再来看另外一个例子。美国汽车牌照的一种格式是四个数字加上二个字母。它的正则表达式前面是数字部分“[0-9]{4}”,再加上字母部分“[A-Z]{2}”。图三显示了完整的正则表达式。 
   Java正则表达式详解(上)(图八)
  
  图三:匹配典型的美国汽车牌照号码,如8836KV
  
  1.5 “否”符号 
  
  “^”符号称为“否”符号。假如用在方括号内,“^”表示不想要匹配的字符。例如,图四的正则表达式匹配所有单词,但以“X”字母开头的单词除外。 
   Java正则表达式详解(上)(图九)
  
  图四:匹配所有单词,但“X”开头的除外
  
  1.6 圆括号和空白符号 
  
  假设要从格式为“June 26, 1951”的生日日期中提取出月份部分,用来匹配该日期的正则表达
  Java正则表达式详解(上)(图十)
  
  图五:匹配所有Moth DD,YYYY格式的日期
  
  新出现的“\s”符号是空白符号,匹配所有的空白字符,包括Tab字符。假如字符串正确匹配,接下来如何提取出月份部分呢?只需在月份四周加上一个圆括号创建一个组,然后用ORO API(本文后面具体讨论)提取出它的值。修改后的正则表达式如图六所示: 
   Java正则表达式详解(上)(图十)
  
  图六:匹配所有Month DD,YYYY格式的日期,定义月份值为第一个组
  
  1.7 其它符号 
  
  为简便起见,你可以使用一些为常见正则表达式创建的快捷符号。如表二所示: 
  
  表二:常用符号 
   Java正则表达式详解(上)(图十二)
  例如,在前面社会安全号码的例子中,所有出现“[0-9]”的地方我们都可以使用“\d”。修改后的正则表达式如图七所示:
   Java正则表达式详解(上)(图十三)
  图七:匹配所有123-12-1234格式的社会安全号码
  
  
  
  
  二、Jakarta-ORO库 
  
  有许多源代码开放的正则表达式库可供Java程序员使用,而且它们中的许多支持Perl 5兼容的正则表达式语法。我在这里选用的是Jakarta-ORO正则表达式库,它是最全面的正则表达式API之一,而且它与Perl 5正则表达式完全兼容。另外,它也是优化得最好的API之一。 
  
  Jakarta-ORO库以前叫做OROMatcher,Daniel Savarese大方地把它赠予给了Jakarta Project。你可以按照本文最后参考资源的说明下载它。 
  
  我首先将简要介绍使用Jakarta-ORO库时你必须创建和访问的对象,然后介绍如何使用Jakarta-ORO API。 
  
  
  ▲ PatternCompiler对象 
  
  首先,创建一个Perl5Compiler类的实例,并把它赋值给PatternCompiler接口对象。Perl5Compiler是PatternCompiler接口的一个实现,答应你把正则表达式编译成用来匹配的Pattern对象。 
   Java正则表达式详解(上)(图十三)
  ▲ Pattern对象 
  
  要把正则表达式编译成Pattern对象,调用compiler对象的compile()方法,并在调用参数中指定正则表达式。例如,你可以按照下面这种方式编译正则表达式“t[aeio]n”: 
   Java正则表达式详解(上)(图十四)
  默认情况下,编译器创建一个大小写敏感的模式(pattern)。因此,上面代码编译得到的模式只匹配“tin”、“tan”、 “ten”和“ton”,但不匹配“Tin”和“taN”。要创建一个大小写不敏感的模式,你应该在调用编译器的时候指定一个额外的参数:
   Java正则表达式详解(上)(图十五)
  创建好Pattern对象之后,你就可以通过PatternMatcher类用该Pattern对象进行模式匹配。 
  
  
  ▲ PatternMatcher对象 
  
  PatternMatcher对象根据Pattern对象和字符串进行匹配检查。你要实例化一个Perl5Matcher类并把结果赋值给PatternMatcher接口。Perl5Matcher类是PatternMatcher接口的一个实现,它根据Perl 5正则表达式语法进行模式匹配: 
  Java正则表达式详解(上)(图十六)
  使用PatternMatcher对象,你可以用多个方法进行匹配操作,这些方法的第一个参数都是需要根据正则表达式进行匹配的字符串: 
  
  ·boolean matches(String input, Pattern pattern):当输入字符串和正则表达式要精确匹配时使用。换句话说,正则表达式必须完整地描述输入字符串。 
  
  ·boolean matchesPrefix(String input, Pattern pattern):当正则表达式匹配输入字符串起始部分时使用。 
  
  ·boolean contains(String input, Pattern pattern):当正则表达式要匹配输入字符串的一部分时使用(即,它必须是一个子串)。 
  
  另外,在上面三个方法调用中,你还可以用PatternMatcherInput对象作为参数替代String对象;这时,你可以从字符串中最后一次匹配的位置开始继续进行匹配。当字符串可能有多个子串匹配给定的正则表达式时,用PatternMatcherInput对象作为参数就很有用了。用PatternMatcherInput对象作为参数替代String时,上述三个方法的语法如下: 
  
  ·boolean matches(PatternMatcherInput input, Pattern pattern) 
  
  ·boolean matchesPrefix(PatternMatcherInput input, Pattern pattern) 
  
  ·boolean contains(PatternMatcherInput input, Pattern pattern)