5.4 使用正则表达式

 

5.4  使用正则表达式

如果曾经用过Perl或其他任何内建正则表达式支持的语言，就一定知道用正则表达式处理文本和匹配模式是多么简单。正则表达式（Regular Expression）描述了一种字符串匹配的模式，可以用来检查一个串是否含有某种子串，将匹配的子串做替换或者从某个串中取出符合某个条件的子串等。

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。在Sun的JDK 1.4以上版本中自带了支持正则表达式的包，下面就来讲解如何使用它。

5.4.1  正则表达式

先从最简单的情况入手，假设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。

正则表达式：cat。

匹配：cat、catalog、Catherine、sophisticated。

1．句点符号

假设在玩英文拼字游戏，想要找出3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，可以用正则表达式搜索它的全部内。要构造出这个正则表达式，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。

正则表达式：t.n。

匹配：tan、Ten、Ton、t n、t#n、tpn等。

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，可以在方括号（[]）里面指定有意义的字符。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，因为在方括号之内只能匹配单个字符。

正则表达式：t[aeio]n。

匹配：tan、Ten、Ton、tin。

3．“或”符号

如果除了上面匹配的所有单词之外，还想要匹配“toon”，那么，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。这里不能使用方括号，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，具体方法可以参见后面的介绍。

正则表达式：t(a|e|i|o|oo)n。

匹配：tan、Ten、Ton、tin、toon。

4．表示匹配次数的符号

表5-1给出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。

表5-1  匹配次数的符号

假设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5-1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时，它的前面要加上一个转义字符“\”。

连字符

连字符

最后四个数字

中间两个数字

前三个数字

图5-1  匹配所有123-12-1234格式的社会安全号码

假设进行搜索的时候，希望连字符可以出现，也可以不出现，即999-99-9999和999999999都属于正确的格式。这时，可以在连字符后面加上？数量限定符号，如图5-2所示：

最后四个数字

中间两个数字

前三个数字

可选的连字符

可选的连字符

图5-2  匹配所有123-12-1234和123121234形式的社会安全号码

下面再来看另外一个例子。美国汽车牌照的一种格式是4个数字加上两个字母。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5-3显示了完整的正则表达式。

前四个数字

后两个字母

图5-3  匹配典型的美国汽车牌照号码，如8836KV

5．“否”符号

“^”操作符称为“否”符号。如果用在方括号内，“^”表示不想要匹配的字符。例如，图5-4的正则表达式匹配所有单词，但以“X”字母开头的单词除外。

后继字符可以是a到z之间的任意字母

第一个字符 不能是“X”

图5-4  匹配所有单词，但以“X”开头的除外

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5-5所示。

必需的空格

必需的逗号

年份值

月份值，至少一个字符

月份内的日期，至少两个数字

可选的空格

图5-5  匹配所有Moth DD,YYYY格式的日期

新出现的“\s”操作符是空白符号，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Java API提取出它的值。修改后的正则表达式如图5-6所示。

月份值， 第一个组

月份内的日期，至少两个数字

可选的空格

年份值

必需的逗号

必需的空格

图5-6  匹配所有Month DD,YYYY格式的日期，定义月份值为第一个组

7．其他符号

为简便起见，可以使用一些为常见正则表达式创建的快捷符号，如表5-2所示。

表5-2  特殊字符

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5-7所示。

中间两个数字

前三个数字

最后四个数字

连字符

连字符

图5-7  使用特殊字符后的匹配所有123-12-1234格式的社会安全号码

5.4.2  Pattern类

Java提供了两个用于正则表达式的类：Pattern类和Matcher类。

Pattern类的主要方法如下。

·    compile( )方法：按照模式编译给出的正则表达式的字符串。

·    matcher( )方法：根据输入生成一个匹配器。

·    split( )方法：根据模式分割输入的字符串。

Pattern类用于构建一个模式对象来代表一个正则表达式，如[abc]。

String regularExpression = "[abc]";

Pattern pattern = Pattern.compile(regularExpression);

有了一个编译好的模式后，可以使用Pattern类根据模式把一个输入行分割为一系列单字，或者使用Matcher类执行一些更复杂的任务。

String words[] =  pattern.split(input);

Split( )方法是一种方便的方法，它在与此模式匹配的位置将给定输入序列切分开。

【例5-11】本例演示了把一个字符串中的单词分割出来的功能。

import java.util.regex.*;

    public class Splitter {

      public static void main(String[] args) throws Exception {

      Pattern p = Pattern.compile("[,\\s]+");

          String[] result = p.split("one,two, three   four ,  five");

      for (int i=0; i<result.length; i++)

            System.out.println(result[i]);

    }

}

这个程序的输出结果如下：

one

two

three

four

five

5.4.3  Matcher类

如果想获取特定的输入，就需要Matcher类的matcher( )方法。在给定某个输入时，这个方法将返回适当的Matcher类。接着，使用Matcher实例遍历整个结果，在输入序列中查找不同的模式匹配，或者使用Matcher实例作为“查找-替换”工具（后一种方法更好）。

Matcher matcher = pattern.matcher(input);

要根据整个序列匹配模式，可以使用matcher( )方法；要确定是否只有序列的一部分匹配，可以使用find( )方法。

if (matcher.find()) {

    String match = matcher.group();

}

【例5-12】本例从由参数指定的文件中找出最长的单词，由此可以看到Matcher类的用法。

import java.io.*;

import java.nio.*;

import java.nio.channels.*;

import java.nio.charset.*;

import java.util.*;

import java.util.regex.*;

public class Longest {

    public static void main(String args[]) {

        if (args.length != 1) {

             System.err.println("Provide a filename");

            return;

        }

        try {

            FileInputStream input =

            new FileInputStream(args[0]);

            FileChannel channel = input.getChannel();

            int fileLength = (int)channel.size();

            MappedByteBuffer buffer = channel.map(

            FileChannel.MapMode.READ_ONLY, 0, fileLength);

            Charset charset = Charset.forName("ISO-8859-1");

            CharsetDecoder decoder = charset.newDecoder();

            CharBuffer charBuffer = decoder.decode(buffer);

            Pattern linePattern =

                Pattern.compile(".*$", Pattern.MULTILINE);

            Pattern wordBreakPattern =

                Pattern.compile("[\\p{Punct}\\s}]");

            Matcher lineMatcher =

                linePattern.matcher(charBuffer);

            String longest = "";

                while (lineMatcher.find()) {

                    String line = lineMatcher.group();

                    String words[] = wordBreakPattern.split(line);

                    for (int i=0, n=words.length; i<n; i++) {

                        if (words[i].length() > longest.length()) {

                        longest = words[i];

                    }

                }

            }

            System.out.println("Longest word: " + longest);

            input.close();

        } catch (IOException e) {

            System.err.println("Error processing");

        }

    }

}

5.4.4  操作符优先级

正则式中操作符的优先级如下，其中（1）表示优先级最高，（5）表示优先级最低。

（1）转义符：\。

（2）圆括号和方括号：(), (?:), (?=), []。

（3）限定符：*, +, ?, {n}, {n,}, {n,m}。

（4）位置和顺序：^, $, \anymetacharacter。

（5）或操作：|。

5.4.5  正则表达式总结

适当使用正则表达式可提高编程效率，而且对我们提高代码质量有很大的帮助，正则表达式的使用总结如表5-3所示。

表5-3  正则式总结

续上表

续上表