Java正则表达式详解（转）

如果你曾经用过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。如果你不熟悉这个术语，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，如果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”。如果搜索对大小写不敏感，单词“catalog”、“Catherine”、“sophisticated”都可以匹配。也就是说： 
                     

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： 
                      

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： 
                     

1.3 “或”符号 
       如果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(a|e|i|o|oo)n”正则表达式。这里不能使用方扩号，因为方括号只允许匹配单个字符；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。   
                      

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： 
                     

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（“-”）有着特殊的意义，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“/”。 
                    

                     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： 
                 

                     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。 
                 
                      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。如果用在方括号内，“^”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。                   
       
                     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式可以如图五所示： 
              
                      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。如果字符串正确匹配，接下来如何提取出月份部分呢？只需在月份周围加上一个圆括号创建一个组，然后用ORO API（本文后面详细讨论）提取出它的值。修改后的正则表达式如图六所示： 
                   

                      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 
                     

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： 
                
                       图七：匹配所有123-12-1234格式的社会安全号码

 

 

 

 

 

 

字符
B	字符B
/xhh	16进制值0xhh所表示的字符
/uhhhh	16进制值0xhhhh所表示的Unicode字符
/t	Tab
/n	换行符
/r	回车符
/f	换页符
/e	Escape

正则表达式的强大体现在它能定义字符集(character class)。下面是一些最常见的字符集及其定义的方式，此外还有一些预定义的字符集：

字符集
.	表示任意一个字符
[abc]	表示字符a，b，c中的任意一个(与a|b|c相同)
[^abc]	除a，b，c之外的任意一个字符(否定)
[a-zA-Z]	从a到z或A到Z当中的任意一个字符(范围)
[abc[hij]]	a,b,c,h,i,j中的任意一个字符(与a|b|c|h|i|j相同)(并集)
[a-z&&[hij]]	h,i,j中的一个(交集)
/s	空格字符(空格键, tab, 换行, 换页, 回车)
/S	非空格字符([^/s])
/d	一个数字，也就是[0-9]
/D	一个非数字的字符，也就是[^0-9]
/w	一个单词字符(word character)，即[a-zA-Z_0-9]
/W	一个非单词的字符，[^/w]

在一些语言里，"//"的意思是"只是要在正则表达式里插入一个反斜杠。没什么特别的意思。"但是在Java里，"//"的意思是"要插入一个正则表达式的反斜杠，所以跟在它后面的那个字符的意思就变了。"举例来说，如果想表示一个或更多的"单词字符"，那么这个正则表达式就应该是"//w+"。如果要插入一个反斜杠，那就得用"////"。不过像换行，跳格之类的还是只用一根反斜杠："/n/t"。

逻辑运算符
XY	X 后面跟着 Y
X|Y	X或Y
(X)	一个"要匹配的组(capturing group)". 以后可以用/i来表示第i个被匹配的组。

边界匹配符
^	一行的开始
$	一行的结尾
/b	一个单词的边界
/B	一个非单词的边界
/G	前一个匹配的结束

匹配的模式(Pattern flags)
compile( )方法还有一个版本，它需要一个控制正则表达式的匹配行为的参数：
Pattern Pattern.compile(String regex, int flag)
flag的取值范围如下：

 

Pattern.CANON_EQ

当且仅当两个字符的"正规分解(canonical decomposition)"都完全相同的情况下，才认定匹配。比如用了这个标志之后，表达式"a/u030A"会匹配"?"。默认情况下，不考虑"规范相等性(canonical equivalence)"。 

Pattern.CASE_INSENSITIVE(?i)

默认情况下，大小写不明感的匹配只适用于US-ASCII字符集。这个标志能让表达式忽略大小写进行匹配。要想对Unicode字符进行大小不明感的匹配，只要将UNICODE_CASE与这个标志合起来就行了。

Pattern.COMMENTS(?x) 
在这种模式下，匹配时会忽略(正则表达式里的)空格字符(注：不是指表达式里的"//s"，而是指表达式里的空格，tab，回车之类)。注释从#开始，一直到这行结束。可以通过嵌入式的标志来启用Unix行模式。 

Pattern.DOTALL(?s) 
在这种模式下，表达式'.'可以匹配任意字符，包括表示一行的结束符。默认情况下，表达式'.'不匹配行的结束符。 

Pattern.MULTILINE(?m) 
在这种模式下，'^'和'$'分别匹配一行的开始和结束。此外，'^'仍然匹配字符串的开始，'$'也匹配字符串的结束。默认情况下，这两个表达式仅仅匹配字符串的开始和结束。

Pattern.UNICODE_CASE(?u) 
在这个模式下，如果你还启用了CASE_INSENSITIVE标志，那么它会对Unicode字符进行大小写不明感的匹配。默认情况下，大小写不明感的匹配只适用于US-ASCII字符集。

Pattern.UNIX_LINES(?d) 
在这个模式下，只有'/n'才被认作一行的中止，并且与'.'，'^'，以及'$'进行匹配。 

       在这些标志里面，Pattern.CASE_INSENSITIVE，Pattern.MULTILINE，以及Pattern.COMMENTS是最有用的(其中Pattern.COMMENTS还能帮我们把思路理清楚，并且/或者做文档)。注意，你可以用在表达式里插记号的方式来启用绝大多数的模式。这些记号就在上面那张表的各个标志的下面。你希望模式从哪里开始启动，就在哪里插记号。