马士兵正则表达式笔记.doc

Java正则表达式(一)关键字: java regex, regular expression 正则表达式在处理文本方面用处非常大，最早像在Perl和awk语言中，提供了这种机制，Java在Java 2中也增加了正则表达式这个包java.util.regex。这个包为用户使用正则表达式，提供了易用而全面的支持。我的研究方向是web挖掘。从网页中提取内容,处理文本，当然需要正则表达式这个强大的工具了。 一、首先我们看一下怎么使用正则表达式的一个例子： A Matcher examines the results of applying a pattern. 我们希望从这句话中找到所有开头为a的单词。 当然这只是一个简单的例子，你可以使用String提供的split方法，得到单词数组，然后 遍历各个单词看是否是否开头为a 我们现在看看怎么使用正则表达式来处理这个问题： Java代码 1. importjava.util.regex.*; 2. 3. publicclassFindA 4. publicstaticvoidmain(Stringargs) 5. throwsException 6. 7. Stringcandidate= 8. AMatcherexaminestheresultsofapplyingapattern.; 9. Stringregex=baw*b; 10. Patternp=Ppile(regex); 11. Matcherm=p.matcher(candidate); 12. Stringval=null; 13. System.out.println(INPUT:+candidate); 14. System.out.println(REGEX:+regex+rn); 15. while(m.find() 16. val=m.group(); 17. System.out.println(MATCH:+val); 18. 19. if(val=null) 20. System.out.println(NOMATCHES:); 21. 22. 23. import java.util.regex.*;public class FindA public static void main(String args) throws Exception String candidate = A Matcher examines the results of applying a pattern.; String regex = baw*b; Pattern p = Ppile(regex); Matcher m = p.matcher(candidate); String val = null; System.out.println(INPUT: + candidate); System.out.println(REGEX: + regex +rn); while (m.find() val = m.group(); System.out.println(MATCH: + val); if (val = null) System.out.println(NO MATCHES: ); 从这个例子我们可以看到正则表达式涉及到的两个类Matcher和Pattern,我们以后会专门讨论着连个类。现在主要看看使用正则表达式的流程： 首先使用Pattern的一个静态的方法compile来创建Pattern对象， Java代码 1. Patternp=Ppile(regex);Pattern p = Ppile(regex);然后调用Pattern的方法matcher Java代码 1. Matcherm=p.matcher(candidate); Matcher m = p.matcher(candidate);得到了Matcher对象，Matcher对象保存了许多匹配信息，然后可以通过find()方法 查找匹配的部分，如果有匹配的部分，返回真，使用m.group方法得到匹配的各组值， 否则find返回false. 当然这只是一般的过程，还有许多更细的方法，在以后会陆续的总结，下面我们看一下 Java代码 1. Stringregex=baw*b;String regex = baw*b;这个就是一个正则表达式，b,w,*都是正则表达式的meta character原字符， b表示单词的边界，w表示任意的可构成单词的字母数字，*表示前面的字母(当然可以 是更复杂的组之类的了东东)重复0次或0次以上，a当然还是a了。所以这个regex就 匹配单词开头为a的单词了。 二、下面总结一下基本的正则表达式的meta character以及它们含义： . 匹配任意一个字符$匹配一行的结尾匹配一行的开头(在里面表示否定) 定义了一个范围 定义了一个字符类() 定义了一个组 *前面出现0次以上 +前面匹配一次以上?前面出现0次或一次 后面的字符不会看作metacharacter w 字母数字下划线W 非字母数字下划线 d 单个数字D单个非数字| 或，二者之一&与操作符 b单词边界 下面看看几个简单的例子： abc a、b 或 c（简单类） abc 任何字符，除了a、b 或 c（否定） a-zA-Z a 到 z 或 A 到 Z，两头的字母包括在内（范围） a-dm-p a 到 d 或 m 到 p：a-dm-p（并集） a-z&def d、e 或 f（交集） a-z&bc a 到 z，除了 b 和 c：ad-z（减去） a-z&m-p a 到 z，而非 m 到 p：a-lq-z（减去） 三、java.util.regex提供的操作接口： java.util.regex包提供了操作正则表达式的模型，整个模型优雅而简洁，只有三个类：Pattern、Matcher和 PatternSyntaxException。下面将要总结他们提供的方法，以及如何灵活应用来处理文本。 我们还是从Pattern的静态工厂方法来扩展吧： Java代码 1. staticPatterncompile(Stringregex)static Pattern compile(String regex) 将给定的正则表达式编译到模式中，并创建Pattern对象，这个方法通常是操作正则表达式的第一步，从前面那个例子 我们也可以看到整个的流程。 在看看一个重载的compile方法： Java代码 1. 2. staticPatterncompile(Stringregex,intflags) static Pattern compile(String regex, int flags) 将给定的正则表达式编译到具有给定标志的模式中。 这个方法参数flags提供了一些特殊的选项来用于特殊的处理， 我们下面看看可使用的选项： UNIX_LINES：这个主要处理UNIX和其他的操作系统在行结束符不一样的问题，UNIX使用n代表一行的终止，而Windows 则使用了rn,n,r,u2028或者u0085作为一行的结束符。 CASE_INSENSITIVE：当我们在匹配的时候要忽略字符大小写时 COMMENTS:允许我们在正则表达式中使用注释，例如 Java代码 1. Patternp=Ppile(A#matchesuppercaseUS-ASCIIcharcode65,Pattern.COMMENTS);Pattern p =Ppile(A #matches uppercase US-ASCII char code 65,Pattern.COMMENTS);MULTILINE:表明要输入多行，他们有自己的终止字符。 Java代码 1. Patternp=Ppile(,Pattern.MULTILINE);Pattern p = Ppile(, Pattern.MULTILINE);如果你的输入的字符串是：This is a sentence.n So is this. 这样我们匹配的字符时This中的T和So中的S，如果不使用MULTILINE，则只会匹配T DOTALL:使用这个选项之后metacharacter .就可以包括一行的终止字符了，如果没有这个选项， 一行的终止字符，并不会考虑在字符串之内的。 使用这个选项会降低效率 Java代码 1. Patternp=Ppile(.,Pattern.DOTALL);Pattern p = Ppile(., Pattern.DOTALL);如果我们输入的是Testn，则匹配的字符是5个。 UNICODE_CASE:处理UNICODE字符集，使用这个选项会降低效率 CANON_EQ：一个字符的实际存储形式是经过编码后的数字，使用CANON_EQ选项就可以匹配一个字母在各种编码了。 例如a可以匹配+00E0和U+0061U+0300 使用这个选项会降低效率 我们可以组合以上选项，只要使用|,进行按位或操作即可 Java代码 1. Patternp= 2. Ppile(t#acompoundflagexample,Pattern.CASE_INSENSITIVE|Pattern.UNICODE_CASE| 3. Pattern.COMMENT);Pattern p =Ppile(t # a compound flag example,Pattern.CASE_INSENSITIVE | Pattern.UNICODE_CASE|Pattern.COMMENT);我们还要注意点的时Java对转译字符的处理，例如我们要匹配一个数字： 我们不能使用： Java代码 1. Patternp=Ppile(d);Pattern p = Ppile(d);而是： Java代码 1. Patternp=Ppile(d);Pattern p = Ppile(d);另外如果regex本身形式是错误的，compile方法会抛出java.util.regex.PatternSyntaxException异常。 下面我们总结一下public Matcher matcher(CharSequence input)方法： 当我们使用compile操作，创建了Pattern对象之后，我们就可以使用Pattern对象的matcher操作，生成 matcher对象了，Matcher对象包含了许多对匹配结果集的操作，我们在总结Matcher对象的时候再说。另外 顺便提一下参数CharSequence，CharBuffer, Segment, String, StringBuffer, StringBuilder 都实现了 这个接口，所以参数可以是这些中的任一种类型了。 下面我们看看： Java代码 1. publicintflags()public int flags()这个方法返回了我们前面可以设置的并且已经设置的flags选项，我们通过按位与来判断是否设置了某个选项： Java代码 1. intflgs=myPattern.flags(); 2. booleanisUsingCommentFlag=(Pattern.COMMENTS=(Pattern.COMMENTS&flgs);int flgs = myPattern.flags();boolean isUsingCommentFlag =( Pattern.COMMENTS = (Pattern.COMMENTS & flgs) ;看看一个简化过程的方法： Java代码 1. publicstaticbooleanmatches(Stringregex,CharSequenceinput)public static boolean matches (String regex,CharSequence input)这个方法实际上是： Java代码 1. Patternp=Ppile(regex); 2. Matcherm=p.matcher(candidate); 3. m.matches() Pattern p = Ppile(regex); Matcher m = p.matcher(candidate); m.matches()过程的一个简化,我们在后面总结Matcher中的matches方法之后就会理解这个了。 想必我们经常使用把字符串提取出token变成字符串数组的String中的split方法吧，下面我们看看 类似的一个方法： public String split(CharSequence input) 这个方法提供了强大的功能，因为它可以使用正则表达式来作为token的分割： Java代码 1. Patternp=newPpile(,|and); 2. Stringfruits=p.split(apple,bananaandorange); Pattern p = new Ppile(,|and); String fruits = p.split(apple,banana and orange);split的一个重载的版本： Java代码 1. publicStringsplit(CharSequenceinput,intlimit)public String split(CharS