Java正則表達(dá)式詳解.doc

Java正則表達(dá)式詳解 如果你曾經(jīng)用過(guò)Perl或任何其他內(nèi)建正則表達(dá)式支持的語(yǔ)言，你一定知道用正則表達(dá)式處理文本和匹配模式是多么簡(jiǎn)單。如果你不熟悉這個(gè)術(shù)語(yǔ)，那么“正則表達(dá)式”（Regular Expression）就是一個(gè)字符構(gòu)成的串，它定義了一個(gè)用來(lái)搜索匹配字符串的模式。 許多語(yǔ)言，包括Perl、PHP、Python、JavaScript和JScript，都支持用正則表達(dá)式處理文本，一些文本編輯器用正則表達(dá)式實(shí)現(xiàn)高級(jí)“搜索-替換”功能。那么Java又怎樣呢？本文寫作時(shí)，一個(gè)包含了用正則表達(dá)式進(jìn)行文本處理的Java規(guī)范需求（Specification Request）已經(jīng)得到認(rèn)可，你可以期待在JDK的下一版本中看到它。 然而，如果現(xiàn)在就需要使用正則表達(dá)式，又該怎么辦呢？你可以從A下載源代碼開放的Jakarta-ORO庫(kù)。本文接下來(lái)的內(nèi)容先簡(jiǎn)要地介紹正則表達(dá)式的入門知識(shí)，然后以Jakarta-ORO API為例介紹如何使用正則表達(dá)式。 一、正則表達(dá)式基礎(chǔ)知識(shí) 我們先從簡(jiǎn)單的開始。假設(shè)你要搜索一個(gè)包含字符“cat”的字符串，搜索用的正則表達(dá)式就是“cat”。如果搜索對(duì)大小寫不敏感，單詞“catalog”、“Catherine”、“sophisticated”都可以匹配。也就是說(shuō)： 1.1 句點(diǎn)符號(hào) 假設(shè)你在玩英文拼字游戲，想要找出三個(gè)字母的單詞，而且這些單詞必須以“t”字母開頭，以“n”字母結(jié)束。另外，假設(shè)有一本英文字典，你可以用正則表達(dá)式搜索它的全部?jī)?nèi)容。要構(gòu)造出這個(gè)正則表達(dá)式，你可以使用一個(gè)通配符句點(diǎn)符號(hào)“.”。這樣，完整的表達(dá)式就是“t.n”，它匹配“tan”、“ten”、“tin”和“ton”，還匹配“t#n”、“tpn”甚至“t n”，還有其他許多無(wú)意義的組合。這是因?yàn)榫潼c(diǎn)符號(hào)匹配所有字符，包括空格、Tab字符甚至換行符： 1.2 方括號(hào)符號(hào) 為了解決句點(diǎn)符號(hào)匹配范圍過(guò)于廣泛這一問題，你可以在方括號(hào)（“”）里面指定看來(lái)有意義的字符。此時(shí)，只有方括號(hào)里面指定的字符才參與匹配。也就是說(shuō)，正則表達(dá)式“taeion”只匹配“tan”、“Ten”、“tin”和“ton”。但“Toon”不匹配，因?yàn)樵诜嚼ㄌ?hào)之內(nèi)你只能匹配單個(gè)字符： 1.3 “或”符號(hào) 如果除了上面匹配的所有單詞之外，你還想要匹配“toon”，那么，你可以使用“|”操作符?！皘”操作符的基本意義就是“或”運(yùn)算。要匹配“toon”，使用“t(a|e|i|o|oo)n”正則表達(dá)式。這里不能使用方擴(kuò)號(hào)，因?yàn)榉嚼ㄌ?hào)只允許匹配單個(gè)字符；這里必須使用圓括號(hào)“()”。圓括號(hào)還可以用來(lái)分組，具體請(qǐng)參見后面介紹。 1.4 表示匹配次數(shù)的符號(hào) 表一顯示了表示匹配次數(shù)的符號(hào)，這些符號(hào)用來(lái)確定緊靠該符號(hào)左邊的符號(hào)出現(xiàn)的次數(shù)： 假設(shè)我們要在文本文件中搜索美國(guó)的社會(huì)安全號(hào)碼。這個(gè)號(hào)碼的格式是999-99-9999。用來(lái)匹配它的正則表達(dá)式如圖一所示。在正則表達(dá)式中，連字符（“-”）有著特殊的意義，它表示一個(gè)范圍，比如從0到9。因此，匹配社會(huì)安全號(hào)碼中的連字符號(hào)時(shí)，它的前面要加上一個(gè)轉(zhuǎn)義字符“”。 圖一：匹配所有123-12-1234形式的社會(huì)安全號(hào)碼假設(shè)進(jìn)行搜索的時(shí)候，你希望連字符號(hào)可以出現(xiàn)，也可以不出現(xiàn)即，999-99-9999和999999999都屬于正確的格式。這時(shí)，你可以在連字符號(hào)后面加上“？”數(shù)量限定符號(hào)，如圖二所示： 圖二：匹配所有123-12-1234和123121234形式的社會(huì)安全號(hào)碼下面我們?cè)賮?lái)看另外一個(gè)例子。美國(guó)汽車牌照的一種格式是四個(gè)數(shù)字加上二個(gè)字母。它的正則表達(dá)式前面是數(shù)字部分“0-94”，再加上字母部分“A-Z2”。圖三顯示了完整的正則表達(dá)式。 圖三：匹配典型的美國(guó)汽車牌照號(hào)碼，如8836KV1.5 “否”符號(hào) “”符號(hào)稱為“否”符號(hào)。如果用在方括號(hào)內(nèi)，“”表示不想要匹配的字符。例如，圖四的正則表達(dá)式匹配所有單詞，但以“X”字母開頭的單詞除外。 圖四：匹配所有單詞，但“X”開頭的除外1.6 圓括號(hào)和空白符號(hào) 假設(shè)要從格式為“June 26, 1951”的生日日期中提取出月份部分，用來(lái)匹配該日期的正則表達(dá)式可以如圖五所示： 圖五：匹配所有Moth DD,YYYY格式的日期新出現(xiàn)的“s”符號(hào)是空白符號(hào)，匹配所有的空白字符，包括Tab字符。如果字符串正確匹配，接下來(lái)如何提取出月份部分呢？只需在月份周圍加上一個(gè)圓括號(hào)創(chuàng)建一個(gè)組，然后用ORO API（本文后面詳細(xì)討論）提取出它的值。修改后的正則表達(dá)式如圖六所示： 圖六：匹配所有Month DD,YYYY格式的日期，定義月份值為第一個(gè)組1.7 其它符號(hào) 為簡(jiǎn)便起見，你可以使用一些為常見正則表達(dá)式創(chuàng)建的快捷符號(hào)。如表二所示： 表二：常用符號(hào) 例如，在前面社會(huì)安全號(hào)碼的例子中，所有出現(xiàn)“0-9”的地方我們都可以使用“d”。修改后的正則表達(dá)式如圖七所示： 圖七：匹配所有123-12-1234格式的社會(huì)安全號(hào)碼二、Jakarta-ORO庫(kù) 有許多源代碼開放的正則表達(dá)式庫(kù)可供Java程序員使用，而且它們中的許多支持Perl 5兼容的正則表達(dá)式語(yǔ)法。我在這里選用的是Jakarta-ORO正則表達(dá)式庫(kù)，它是最全面的正則表達(dá)式API之一，而且它與Perl 5正則表達(dá)式完全兼容。另外，它也是優(yōu)化得最好的API之一。 Jakarta-ORO庫(kù)以前叫做OROMatcher，Daniel Savarese大方地把它贈(zèng)送給了Jakarta Project。你可以按照本文最后參考資源的說(shuō)明下載它。 我首先將簡(jiǎn)要介紹使用Jakarta-ORO庫(kù)時(shí)你必須創(chuàng)建和訪問的對(duì)象，然后介紹如何使用Jakarta-ORO API。 PatternCompiler對(duì)象 首先，創(chuàng)建一個(gè)Perl5Compiler類的實(shí)例，并把它賦值給PatternCompiler接口對(duì)象。Perl5Compiler是PatternCompiler接口的一個(gè)實(shí)現(xiàn)，允許你把正則表達(dá)式編譯成用來(lái)匹配的Pattern對(duì)象。 Pattern對(duì)象 要把正則表達(dá)式編譯成Pattern對(duì)象，調(diào)用compiler對(duì)象的compile()方法，并在調(diào)用參數(shù)中指定正則表達(dá)式。例如，你可以按照下面這種方式編譯正則表達(dá)式“taeion”： 默認(rèn)情況下，編譯器創(chuàng)建一個(gè)大小寫敏感的模式（pattern）。因此，上面代碼編譯得到的模式只匹配“tin”、“tan”、 “ten”和“ton”，但不匹配“Tin”和“taN”。要?jiǎng)?chuàng)建一個(gè)大小寫不敏感的模式，你應(yīng)該在調(diào)用編譯器的時(shí)候指定一個(gè)額外的參數(shù)： 創(chuàng)建好Pattern對(duì)象之后，你就可以通過(guò)PatternMatcher類用該P(yáng)attern對(duì)象進(jìn)行模式匹配。 PatternMatcher對(duì)象 PatternMatcher對(duì)象根據(jù)Pattern對(duì)象和字符串進(jìn)行匹配檢查。你要實(shí)例化一個(gè)Perl5Matcher類并把結(jié)果賦值給PatternMatcher接口。Perl5Matcher類是PatternMatcher接口的一個(gè)實(shí)現(xiàn)，它根據(jù)Perl 5正則表達(dá)式語(yǔ)法進(jìn)行模式匹配： 使用PatternMatcher對(duì)象，你可以用多個(gè)方法進(jìn)行匹配操作，這些方法的第一個(gè)參數(shù)都是需要根據(jù)正則表達(dá)式進(jìn)行匹配的字符串： boolean matches(String input, Pattern pattern)：當(dāng)輸入字符串和正則表達(dá)式要精確匹配時(shí)使用。換句話說(shuō)，正則表達(dá)式必須完整地描述輸入字符串。 boolean matchesPrefix(String input, Pattern pattern)：當(dāng)正則表達(dá)式匹配輸入字符串起始部分時(shí)使用。 boolean contains(String input, Pattern pattern)：當(dāng)正則表達(dá)式要匹配輸入字符串的一部分時(shí)使用（即，它必須是一個(gè)子串）。 另外，在上面三個(gè)方法調(diào)用中，你還可以用PatternMatcherInput對(duì)象作為參數(shù)替代String對(duì)象；這時(shí)，你可以從字符串中最后一次匹配的位置開始繼續(xù)進(jìn)行匹配。當(dāng)字符串可能有多個(gè)子串匹配給定的正則表達(dá)式時(shí)，用PatternMatcherInput對(duì)象作為參數(shù)就很有用了。用PatternMatcherInput對(duì)象作為參數(shù)替代String時(shí)，上述三個(gè)方法的語(yǔ)法如下： boolean matches(PatternMatcherInput input, Pattern pattern) boolean matchesPrefix(PatternMatcherInput input, Pattern pattern) boolean contains(PatternMatcherInput input, Pattern pattern) 三、應(yīng)用實(shí)例 下面我們來(lái)看看Jakarta-ORO庫(kù)的一些應(yīng)用實(shí)例。 3.1 日志文件處理 任務(wù)：分析一個(gè)Web服務(wù)器日志文件，確定每一個(gè)用戶花在網(wǎng)站上的時(shí)間。在典型的BEA WebLogic日志文件中，日志記錄的格式如下： 分析這個(gè)日志記錄，可以發(fā)現(xiàn)，要從這個(gè)日志文件提取的內(nèi)容有兩項(xiàng)：IP地址和頁(yè)面訪問時(shí)間。你可以用分組符號(hào)（圓括號(hào)）從日志記錄提取出IP地址和時(shí)間標(biāo)記。 首先我們來(lái)看看IP地址。IP地址有4個(gè)字節(jié)構(gòu)成，每一個(gè)字節(jié)的值在0到255之間，各個(gè)字節(jié)通過(guò)一個(gè)句點(diǎn)分隔。因此，IP地址中的每一個(gè)字節(jié)有至少一個(gè)、最多三個(gè)數(shù)字。圖八顯示了為IP地址編寫的正則表達(dá)式： 圖八：匹配IP地址IP地址中的句點(diǎn)字符必須進(jìn)行轉(zhuǎn)義處理（前面加上“”），因?yàn)镮P地址中的句點(diǎn)具有它本來(lái)的含義，而不是采用正則表達(dá)式語(yǔ)法中的特殊含義。句點(diǎn)在正則表達(dá)式中的特殊含義本文前面已經(jīng)介紹。 日志記錄的時(shí)間部分由一對(duì)方括號(hào)包圍。你可以按照如下思路提取出方括號(hào)里面的所有內(nèi)容：首先搜索起始方括號(hào)字符（“”），提取出所有不超過(guò)結(jié)束方括號(hào)字符（“”）的內(nèi)容，向前尋找直至找到結(jié)束方括號(hào)字符。圖九顯示了這部分的正則表達(dá)式。 圖九：匹配至少一個(gè)字符，直至找到“”現(xiàn)在，把上述兩個(gè)正則表達(dá)式加上分組符號(hào)（圓括號(hào)）后合并成單個(gè)表達(dá)式，這樣就可以從日志記錄提取出IP地址和時(shí)間。注意，為了匹配“- -”（但不提取它），正則表達(dá)式中間加入了“s-s-s”。完整的正則表達(dá)式如圖十所示。 圖十：匹配IP地址和時(shí)間標(biāo)記現(xiàn)在正則表達(dá)式已經(jīng)編寫完畢，接下來(lái)可以編寫使用正則表達(dá)式庫(kù)的Java代碼了。 為使用Jakarta-ORO庫(kù)，首先創(chuàng)建正則表達(dá)式字符串和待分析的日志記錄字符串： 這里使用的正則表達(dá)式與圖十的正則表達(dá)式差不多完全相同，但有一點(diǎn)例外：在Java中，你必須對(duì)每一個(gè)向前的斜杠（“”）進(jìn)行轉(zhuǎn)義處理。圖十不是Java的表示形式，所以我們要在每個(gè)“”前面加上一個(gè)“”以免出現(xiàn)編譯錯(cuò)誤。遺憾的是，轉(zhuǎn)義處理過(guò)程很容易出現(xiàn)錯(cuò)誤，所以應(yīng)該小心謹(jǐn)慎。你可以首先輸入未經(jīng)轉(zhuǎn)義處理的正則表達(dá)式，然后從左到右依次把每一個(gè)“”替換成“”。如果要復(fù)檢，你可以試著把它輸出到屏幕上。 初始化字符串之后，實(shí)例化PatternCompiler對(duì)象，用PatternCompiler編譯正則表達(dá)式創(chuàng)建一個(gè)Pattern對(duì)象： 現(xiàn)在，創(chuàng)建PatternMatcher對(duì)象，調(diào)用PatternMatcher接口的contain()方法檢查匹配情況： 接下來(lái)，利用PatternMatcher接口返回的MatchResult對(duì)象，輸出匹配的組。由于logEntry字符串包含匹配的內(nèi)容，你可以看到類如下面的輸出： 3.2 HTML處理實(shí)例一 下面一個(gè)任務(wù)是分析HTML頁(yè)面內(nèi)FONT標(biāo)記的所有屬性。HTML頁(yè)面內(nèi)典型的FONT標(biāo)記如下所示： 程序?qū)凑杖缦滦问?，輸出每一個(gè)FONT標(biāo)記的屬性： 在這種情況下，我建議你使用兩個(gè)正則表達(dá)式。第一個(gè)如圖十一所示，它從字體標(biāo)記提取出“face=Arial, Serif size=+2 color=red”。 圖十一：匹配FONT標(biāo)記的所有屬性第二個(gè)正則表達(dá)式如圖十二所示，它把各個(gè)屬性分割成名字-值對(duì)。 圖十二：匹配單個(gè)屬性，并把它分割成名字-值對(duì)分割結(jié)果為： 現(xiàn)在我們來(lái)看看完成這個(gè)任務(wù)的Java代碼。首先創(chuàng)建兩個(gè)正則表達(dá)式字符串，用Perl5Compiler把它們編譯成Pattern對(duì)象。編譯正則表達(dá)式的時(shí)候，指定Perl5Compiler.CASE_INSENSITIVE_MASK選項(xiàng)，使得匹配操作不區(qū)分大小寫。 接下來(lái)，創(chuàng)建一個(gè)執(zhí)行匹配操作的Perl5Matcher對(duì)象。 假設(shè)有一個(gè)String類型的變量html，它代表了HTML文件中的一行內(nèi)容。如果html字符串包含F(xiàn)ONT標(biāo)記，匹配器將返回true。此時(shí)，你可以用匹配器對(duì)象返回的MatchResult對(duì)象獲得第一個(gè)組，它包含了FONT的所有屬性： 接下來(lái)創(chuàng)建一個(gè)PatternMatcherInput對(duì)象。這個(gè)對(duì)象允許你從最后一次匹配的位置開始繼續(xù)進(jìn)行匹配操作，因此，它很適合于提取FONT標(biāo)記內(nèi)屬性的名字-值對(duì)。創(chuàng)建PatternMatcherInput對(duì)象，以參數(shù)形式傳入待匹配的字符串。然后，用匹配器實(shí)例提取出每一個(gè)FONT的屬性。這通過(guò)指定PatternMatcherInput對(duì)象（而不是字符串對(duì)象）為參數(shù)，反復(fù)地調(diào)用PatternMatcher對(duì)象的contains()方法完成。PatternMatcherInput對(duì)象之中的每一次迭代將把它內(nèi)部的指針向前移動(dòng)，下一次檢測(cè)將從前一次匹配位置的后面開始。 本例的輸出結(jié)果如下： 3.3 HTML處理實(shí)例二 下面我們來(lái)看看另一個(gè)處理HTML的例子。這一次，我們假定Web服務(wù)器從移到了?，F(xiàn)在你要修改一些頁(yè)面中的鏈接： 執(zhí)行這個(gè)搜索的正則表達(dá)式如圖十三所示： 圖十三：匹配修改前的鏈接如果能夠匹配這個(gè)正則表達(dá)式，你可以用下面的內(nèi)容