Java正則表達式

這三篇很不錯：

http://www.jb51.net/article/16829.htm

http://blog.csdn.net/kdnuggets/article/details/2526588

http://www.runoob.com/java/java-regular-expressions.html

其中第一篇最仔細，因此 mark了

許多語言，包括Perl、PHP、Python、JavaScript和JScript，都支持用正則表達式處理文本，一些文本編輯器用正則表達式實現高級「搜索-替換」功能。那麼Java又怎樣呢？本文寫做時，一個包含了用正則表達式進行文本處理的Java規範需求（Specification Request）已經獲得承認，你能夠期待在JDK的下一版本中看到它。

然而，若是如今就須要使用正則表達式，又該怎麼辦呢？你能夠從Apache.org下載源代碼開放的Jakarta-ORO庫。本文接下來的內容先簡要地介紹正則表達式的入門知識，而後以Jakarta-ORO API爲例介紹如何使用正則表達式。

1、正則表達式基礎知識

咱們先從簡單的開始。假設你要搜索一個包含字符「cat」的字符串，搜索用的正則表達式就是「cat」。若是搜索對大小寫不敏感，單詞「catalog」、「Catherine」、「sophisticated」均可以匹配。也就是說：

1.1 句點符號

假設你在玩英文拼字遊戲，想要找出三個字母的單詞，並且這些單詞必須以「t」字母開頭，以「n」字母結束。另外，假設有一本英文字典，你能夠用正則表達式搜索它的所有內容。要構造出這個正則表達式，你可使用一個通配符——句點符號「.」。這樣，完整的表達式就是「t.n」，它匹配「tan」、「ten」、「tin」和「ton」，還匹配「t#n」、「tpn」甚至「t n」，還有其餘許多無心義的組合。這是由於句點符號匹配全部字符，包括空格、Tab字符甚至換行符：

1.2 方括號符號

爲了解決句點符號匹配範圍過於普遍這一問題，你能夠在方括號（「[]」）裏面指定看來有意義的字符。此時，只有方括號裏面指定的字符才參與匹配。也就是說，正則表達式「t[aeio]n」只匹配「tan」、「Ten」、「tin」和「ton」。但「Toon」不匹配，由於在方括號以內你只能匹配單個字符：

1.3 「或」符號

若是除了上面匹配的全部單詞以外，你還想要匹配「toon」，那麼，你可使用「|」操做符。「|」操做符的基本意義就是「或」運算。要匹配「toon」，使用「t(a|e|i|o|oo)n」正則表達式。這裏不能使用方擴號，由於方括號只容許匹配單個字符；這裏必須使用圓括號「()」。圓括號還能夠用來分組，具體請參見後面介紹。

1.4 表示匹配次數的符號

表一顯示了表示匹配次數的符號，這些符號用來肯定緊靠該符號左邊的符號出現的次數：

假設咱們要在文本文件中搜索美國的社會安全號碼。這個號碼的格式是999-99-9999。用來匹配它的正則表達式如圖一所示。在正則表達式中，連字符（「-」）有着特殊的意義，它表示一個範圍，好比從0到9。所以，匹配社會安全號碼中的連字符號時，它的前面要加上一個轉義字符「\」。

圖一：匹配全部123-12-1234形式的社會安全號碼

假設進行搜索的時候，你但願連字符號能夠出現，也能夠不出現——即，999-99-9999和999999999都屬於正確的格式。這時，你能夠在連字符號後面加上「？」數量限定符號，如圖二所示：

圖二：匹配全部123-12-1234和123121234形式的社會安全號碼

下面咱們再來看另一個例子。美國汽車牌照的一種格式是四個數字加上二個字母。它的正則表達式前面是數字部分「[0-9]{4}」，再加上字母部分「[A-Z]{2}」。圖三顯示了完整的正則表達式。

圖三：匹配典型的美國汽車牌照號碼，如8836KV

1.5 「否」符號

「^」符號稱爲「否」符號。若是用在方括號內，「^」表示不想要匹配的字符。例如，圖四的正則表達式匹配全部單詞，但以「X」字母開頭的單詞除外。

圖四：匹配全部單詞，但「X」開頭的除外

1.6 圓括號和空白符號

假設要從格式爲「June 26, 1951」的生日日期中提取出月份部分，用來匹配該日期的正則表達式能夠如圖五所示：

圖五：匹配全部Moth DD,YYYY格式的日期

新出現的「\s」符號是空白符號，匹配全部的空白字符，包括Tab字符。若是字符串正確匹配，接下來如何提取出月份部分呢？只需在月份周圍加上一個圓括號建立一個組，而後用ORO API（本文後面詳細討論）提取出它的值。修改後的正則表達式如圖六所示：

圖六：匹配全部Month DD,YYYY格式的日期，定義月份值爲第一個組

1.7 其它符號

爲簡便起見，你可使用一些爲常見正則表達式建立的快捷符號。如表二所示：

表二：經常使用符號

例如，在前面社會安全號碼的例子中，全部出現「[0-9]」的地方咱們均可以使用「\d」。修改後的正則表達式如圖七所示：

圖七：匹配全部123-12-1234格式的社會安全號碼

2、Jakarta-ORO庫

有許多源代碼開放的正則表達式庫可供Java程序員使用，並且它們中的許多支持Perl 5兼容的正則表達式語法。我在這裏選用的是Jakarta-ORO正則表達式庫，它是最全面的正則表達式API之一，並且它與Perl 5正則表達式徹底兼容。另外，它也是優化得最好的API之一。

Jakarta-ORO庫之前叫作OROMatcher，Daniel Savarese大方地把它贈送給了Jakarta Project。你能夠按照本文最後參考資源的說明下載它。

我首先將簡要介紹使用Jakarta-ORO庫時你必須建立和訪問的對象，而後介紹如何使用Jakarta-ORO API。

▲ PatternCompiler對象

首先，建立一個Perl5Compiler類的實例，並把它賦值給PatternCompiler接口對象。Perl5Compiler是PatternCompiler接口的一個實現，容許你把正則表達式編譯成用來匹配的Pattern對象。

▲ Pattern對象

要把正則表達式編譯成Pattern對象，調用compiler對象的compile()方法，並在調用參數中指定正則表達式。例如，你能夠按照下面這種方式編譯正則表達式「t[aeio]n」：

默認狀況下，編譯器建立一個大小寫敏感的模式（pattern）。所以，上面代碼編譯獲得的模式只匹配「tin」、「tan」、 「ten」和「ton」，但不匹配「Tin」和「taN」。要建立一個大小寫不敏感的模式，你應該在調用編譯器的時候指定一個額外的參數：

建立好Pattern對象以後，你就能夠經過PatternMatcher類用該Pattern對象進行模式匹配。

▲ PatternMatcher對象

PatternMatcher對象根據Pattern對象和字符串進行匹配檢查。你要實例化一個Perl5Matcher類並把結果賦值給PatternMatcher接口。Perl5Matcher類是PatternMatcher接口的一個實現，它根據Perl 5正則表達式語法進行模式匹配：

使用PatternMatcher對象，你能夠用多個方法進行匹配操做，這些方法的第一個參數都是須要根據正則表達式進行匹配的字符串：

· boolean matches(String input, Pattern pattern)：當輸入字符串和正則表達式要精確匹配時使用。換句話說，正則表達式必須完整地描述輸入字符串。

· boolean matchesPrefix(String input, Pattern pattern)：當正則表達式匹配輸入字符串起始部分時使用。

· boolean contains(String input, Pattern pattern)：當正則表達式要匹配輸入字符串的一部分時使用（即，它必須是一個子串）。

另外，在上面三個方法調用中，你還能夠用PatternMatcherInput對象做爲參數替代String對象；這時，你能夠從字符串中最後一次匹配的位置開始繼續進行匹配。當字符串可能有多個子串匹配給定的正則表達式時，用PatternMatcherInput對象做爲參數就頗有用了。用PatternMatcherInput對象做爲參數替代String時，上述三個方法的語法以下：

· boolean matches(PatternMatcherInput input, Pattern pattern)

· boolean matchesPrefix(PatternMatcherInput input, Pattern pattern)

· boolean contains(PatternMatcherInput input, Pattern pattern)

3、應用實例

下面咱們來看看Jakarta-ORO庫的一些應用實例。

3.1 日誌文件處理

任務：分析一個Web服務器日誌文件，肯定每個用戶花在網站上的時間。在典型的BEA WebLogic日誌文件中，日誌記錄的格式以下：

分析這個日誌記錄，能夠發現，要從這個日誌文件提取的內容有兩項：IP地址和頁面訪問時間。你能夠用分組符號（圓括號）從日誌記錄提取出IP地址和時間標記。

首先咱們來看看IP地址。IP地址有4個字節構成，每個字節的值在0到255之間，各個字節經過一個句點分隔。所以，IP地址中的每個字節有至少一個、最多三個數字。圖八顯示了爲IP地址編寫的正則表達式：

圖八：匹配IP地址

IP地址中的句點字符必須進行轉義處理（前面加上「\」），由於IP地址中的句點具備它原本的含義，而不是採用正則表達式語法中的特殊含義。句點在正則表達式中的特殊含義本文前面已經介紹。

日誌記錄的時間部分由一對方括號包圍。你能夠按照以下思路提取出方括號裏面的全部內容：首先搜索起始方括號字符（「[」），提取出全部不超過結束方括號字符（「]」）的內容，向前尋找直至找到結束方括號字符。圖九顯示了這部分的正則表達式。

圖九：匹配至少一個字符，直至找到「]」

如今，把上述兩個正則表達式加上分組符號（圓括號）後合併成單個表達式，這樣就能夠從日誌記錄提取出IP地址和時間。注意，爲了匹配「- -」（但不提取它），正則表達式中間加入了「\s-\s-\s」。完整的正則表達式如圖十所示。

圖十：匹配IP地址和時間標記

如今正則表達式已經編寫完畢，接下來能夠編寫使用正則表達式庫的Java代碼了。

爲使用Jakarta-ORO庫，首先建立正則表達式字符串和待分析的日誌記錄字符串：

這裏使用的正則表達式與圖十的正則表達式差很少徹底相同，但有一點例外：在Java中，你必須對每個向前的斜槓（「\」）進行轉義處理。圖十不是Java的表示形式，因此咱們要在每一個「\」前面加上一個「\」以避免出現編譯錯誤。遺憾的是，轉義處理過程很容易出現錯誤，因此應該當心謹慎。你能夠首先輸入未經轉義處理的正則表達式，而後從左到右依次把每個「\」替換成「\\」。若是要複檢，你能夠試着把它輸出到屏幕上。

初始化字符串以後，實例化PatternCompiler對象，用PatternCompiler編譯正則表達式建立一個Pattern對象：

如今，建立PatternMatcher對象，調用PatternMatcher接口的contain()方法檢查匹配狀況：

接下來，利用PatternMatcher接口返回的MatchResult對象，輸出匹配的組。因爲logEntry字符串包含匹配的內容，你能夠看到類以下面的輸出：

3.2 HTML處理實例一

下面一個任務是分析HTML頁面內FONT標記的全部屬性。HTML頁面內典型的FONT標記以下所示：

程序將按照以下形式，輸出每個FONT標記的屬性：

在這種狀況下，我建議你使用兩個正則表達式。第一個如圖十一所示，它從字體標記提取出「"face="Arial, Serif" size="+2" color="red"」。

圖十一：匹配FONT標記的全部屬性

第二個正則表達式如圖十二所示，它把各個屬性分割成名字-值對。

圖十二：匹配單個屬性，並把它分割成名字-值對

分割結果爲：

如今咱們來看看完成這個任務的Java代碼。首先建立兩個正則表達式字符串，用Perl5Compiler把它們編譯成Pattern對象。編譯正則表達式的時候，指定Perl5Compiler.CASE_INSENSITIVE_MASK選項，使得匹配操做不區分大小寫。

接下來，建立一個執行匹配操做的Perl5Matcher對象。

假設有一個String類型的變量html，它表明了HTML文件中的一行內容。若是html字符串包含FONT標記，匹配器將返回true。此時，你能夠用匹配器對象返回的MatchResult對象得到第一個組，它包含了FONT的全部屬性：

接下來建立一個PatternMatcherInput對象。這個對象容許你從最後一次匹配的位置開始繼續進行匹配操做，所以，它很適合於提取FONT標記內屬性的名字-值對。建立PatternMatcherInput對象，以參數形式傳入待匹配的字符串。而後，用匹配器實例提取出每個FONT的屬性。這經過指定PatternMatcherInput對象（而不是字符串對象）爲參數，反覆地調用PatternMatcher對象的contains()方法完成。PatternMatcherInput對象之中的每一次迭代將把它內部的指針向前移動，下一次檢測將從前一次匹配位置的後面開始。

本例的輸出結果以下：

3.3 HTML處理實例二

下面咱們來看看另外一個處理HTML的例子。這一次，咱們假定Web服務器從widgets.acme.com移到了newserver.acme.com。如今你要修改一些頁面中的連接：

執行這個搜索的正則表達式如圖十三所示：

圖十三：匹配修改前的連接

若是可以匹配這個正則表達式，你能夠用下面的內容替換圖十三的連接：

注意#字符的後面加上了$1。Perl正則表達式語法用$一、$2等表示已經匹配且提取出來的組。圖十三的表達式把全部做爲一個組匹配和提取出來的內容附加到連接的後面。

如今，返回Java。就象前面咱們所作的那樣，你必須建立測試字符串，建立把正則表達式編譯到Pattern對象所必需的對象，以及建立一個PatternMatcher對象：

接下來，用com.oroinc.text.regex包Util類的substitute()靜態方法進行替換，輸出結果字符串：

Util.substitute()方法的語法以下：

這個調用的前兩個參數是之前建立的PatternMatcher和Pattern對象。第三個參數是一個Substiution對象，它決定了替換操做如何進行。本例使用的是Perl5Substitution對象，它可以進行Perl5風格的替換。第四個參數是想要進行替換操做的字符串，最後一個參數容許指定是否替換模式的全部匹配子串（Util.SUBSTITUTE_ALL），或只替換指定的次數。

【結束語】在這篇文章中，我爲你介紹了正則表達式的強大功能。只要正確運用，正則表達式可以在字符串提取和文本修改中起到很大的做用。另外，我還介紹瞭如何在Java程序中經過Jakarta-ORO庫利用正則表達式。至於最終採用老式的字符串處理方式（使用StringTokenizer，charAt，和substring），仍是採用正則表達式，這就有待你本身決定了。