Java正则表达式详解
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格式的⽇期时间正则表达式java
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
⼆、Jakar ta-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⼤⽅地把它赠送给了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，允许你把正则表达式编译成⽤来匹配的Pattern对象。
▲ 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”：
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：
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：
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)
三、应⽤实例
下⾯我们来看看Jakarta-ORO库的⼀些应⽤实例。
3.1 ⽇志⽂件处理
任务：分析⼀个Web服务器⽇志⽂件，确定每⼀个⽤户花在⽹站上的时间。在典型的BEA WebLogic⽇志⽂件中，⽇志记录的格式如下：
分析这个⽇志记录，可以发现，要从这个⽇志⽂件提取的内容有两项：IP地址和页⾯访问时间。你可以⽤分组符号（圆括号）从⽇志记录提取出IP地址和时间标记。
⾸先我们来看看IP地址。IP地址有4个字节构成，每⼀个字节的值在0到255之间，各个字节通过⼀个句点分隔。因此，IP地址中的每⼀个字节有⾄少⼀个、最多三个数字。图⼋显⽰了为IP地址编写的正则表达式：
图⼋：匹配IP地址
IP地址中的句点字符必须进⾏转义处理（前⾯加上“\”），因为IP地址中的句点具有它本来的含义，⽽不是采⽤正则表达式语法中的特殊含义。句点在正则表达式中的特殊含义本⽂前⾯已经介绍。
⽇志记录的时间部分由⼀对⽅括号包围。你可以按照如下思路提取出⽅括号⾥⾯的所有内容：⾸先搜
索起始⽅括号字符（“[”），提取出所有不超过结束⽅括号字符（“]”）的内容，向前寻直⾄到结束⽅括号字符。图九显⽰了这部分的正则表达式。
图九：匹配⾄少⼀个字符，直⾄到“]”
现在，把上述两个正则表达式加上分组符号（圆括号）后合并成单个表达式，这样就可以从⽇志记录提取出IP地址和时间。注意，为了匹配“- -”（但不提取它），正则表达式中间加⼊了“\s-\s-\s”。完整的正则表达式如图⼗所⽰。
图⼗：匹配IP地址和时间标记
现在正则表达式已经编写完毕，接下来可以编写使⽤正则表达式库的Java代码了。
为使⽤Jakarta-ORO库，⾸先创建正则表达式字符串和待分析的⽇志记录字符串：
这⾥使⽤的正则表达式与图⼗的正则表达式差不多完全相同，但有⼀点例外：在Java中，你必须对每⼀个向前的斜杠（“\”）进⾏转义处理。图⼗不是Java的表⽰形式，所以我们要在每个“\”前⾯加上⼀个“\”以免出现编译错误。遗憾的是，转义处理过程很容易出现错误，所以应该⼩⼼谨慎。你可以⾸先输⼊未经转义处理的正则表达式，然后从左到右依次把每⼀个“\”替换成“\\”。如果要复检，你可以试着把它输出到屏幕上。
初始化字符串之后，实例化PatternCompiler对象，⽤PatternCompiler编译正则表达式创建⼀个Pattern对象：
现在，创建PatternMatcher对象，调⽤PatternMatcher接⼝的contain()⽅法检查匹配情况：
接下来，利⽤PatternMatcher接⼝返回的MatchResult对象，输出匹配的组。由于logEntry字符串包含匹配的内容，你可以看到类如下⾯的输出：
3.2 HTML处理实例⼀
下⾯⼀个任务是分析HTML页⾯内FONT标记的所有属性。HTML页⾯内典型的FONT标记如下所⽰：
程序将按照如下形式，输出每⼀个FONT标记的属性：
在这种情况下，我建议你使⽤两个正则表达式。第⼀个如图⼗⼀所⽰，它从字体标记提取出“"face="Arial, Serif" size="+2" color="red"”。

版权声明：本站内容均来自互联网，仅供演示用，请勿用于商业和其他非法用途。如果侵犯了您的权益请与我们联系QQ:729038198，我们将在24小时内删除。