正則表達式說明

如果你曾經(jīng)用過Perl或任何其他內(nèi)建正則表達式支持的語言，你一定知道用正則表達式處理文本和匹配模式是多么簡單。如果你不熟悉這個術(shù)語，那么“正則表達式”(RegularExpression)就是一個字符構(gòu)成的串，它定義了一個用來搜索匹配字符串的模式。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(xiàn)高級“搜索-替換”功能。那么Java又怎樣呢？本文寫作時，一個包含了用正則表達式進行文本處理的Java規(guī)范需求(SpecificationRequest)已經(jīng)得到認可，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式，又該怎么辦呢？你可以從A下載源代碼開放的Jakarta-ORO庫。本文接下來的內(nèi)容先簡要地介紹正則表達式的入門知識，然后以Jakarta-OROAPI為例介紹如何使用正則表達式。一、正則表達式基礎(chǔ)知識我們先從簡單的開始。假設(shè)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”。如果搜索對大小寫不敏感，單詞“catalog”、“Catherine”、“sophisticated”都可以匹配。也就是說:匹則表達式：用土匹酉己：cat.-：.=i+-31,Catherint：.s-iphisticsted1.1句點符號假設(shè)你在玩英文拼字游戲，想要找出三個字母的單詞，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，你可以用正則表達式搜索它的全部內(nèi)容。要構(gòu)造出這個正則表達式，你可以使用一個通配符一一句點符號“.”。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“tn”，還有其他許多無意義的組合。這是因為句點符號匹配所有字符，包括空格、Tab字符甚至換行符：1.2方括號符號為了解決句點符號匹配范圍過于廣泛這一問題，你可以在方括號(“[]”)里面指定看來有意義的字符。此時，只有方括號里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，因為在方括號之內(nèi)你只能匹配單個字符：正則轟達式：1[aeiojn匹閨，+an■Teni11ni"ton1.3“或”符號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”運算。要匹配“toon”，使用“t(a|e|i|o|oo)n”正則表達式。這里不能使用方擴號，因為方括號只允許匹配單個字符;這里必須使用圓括號“（）”。圓括號還可以用來分組，具體請參見后面介紹。正則表達式:t^je|i|o|Qo)n匹配:~tan,Ten,+in,"ton,"toon1.4表示匹配次數(shù)的符號表一顯示了表示匹配次數(shù)的符號，這些符號用來確定緊靠該符號左邊的符號出現(xiàn)的次數(shù):E.表I；表示次數(shù)的符號次裁1§戔或者多攜，|0澳或者1；砍;恰好H次{堪m}從波假設(shè)我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（'-”）有著特殊的意義，它表示一個范圍，比如從0到9。因此，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(zhuǎn)義字符“\”。連字符連字符[0-9]{3}[0-9]{2}V[0-9]{4}前三個數(shù)字中間兩個數(shù)字最后四個數(shù)字圖一：匹配所有123-12-1234形式的社會安全號碼假設(shè)進行搜索的時候，你希望連字符號可以出現(xiàn)，也可以不出現(xiàn)一一即，999-99-9999和999999999都屬于正確的格式。這時，你可以在連字符號后面加上“？”數(shù)量限定符號，如圖二所示：可選的連字符可選的連字符[0-9]{3}\??[0-9]{2}V?[0-9]{4}前三個數(shù)字中間兩個數(shù)字最后四個數(shù)字圖二：匹配所有123-12-1234和123121234形式的社會安全號碼下面我們再來看另外一個例子。美國汽車牌照的一種格式是四個數(shù)字加上二個字母。它的正則表達式前面是數(shù)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。[0-9]{4}[A-Z]{2}前四個數(shù)字后兩個字母圖三：匹配典型的美國汽車牌照號碼，如8836KV1.5“否”符號“"”符號稱為“否”符號。如果用在方括號內(nèi)，“"”表示不想要匹配的字符。例如，圖四的正則表達式匹配所有單詞，但以“X”字母開頭的單詞除外。|[a?z]+-個字符能是'后維字符可以是aJUZ

-個字符能是'圖四：匹配所有單詞，但“X”開頭的除外1.6圓括號和空白符號假設(shè)要從格式為“June26,1951”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可以如圖五所示：必需的空格必需的逗號年價值[a-z]+\s+[0-9](1s2},\s*月份值，至少一

個字符月粉■內(nèi)的日期，至字兩

個數(shù)字必需的空格必需的逗號年價值[a-z]+\s+[0-9](1s2},\s*月份值，至少一

個字符月粉■內(nèi)的日期，至字兩

個數(shù)字09]{4}可選的空格新出現(xiàn)的“\s”符號是空白符號，匹配所有的空白字符，包括Tab字符。如果字符串正確匹配，接下來如何提取出月份部分呢？只需在月份周圍加上一個圓括號創(chuàng)建一個組，然后用OROAPI(本文后面詳細討論)提取出它的值。修改后的正則表達式如圖六所示：必需的空格必需的逗號年份值([a-z]+)\s+[0-9]{1,2),k[0-9]{4}戳島月份內(nèi)牛葬至*兩可選的空格圖六：匹配所有MonthDD,YYYY格式的日期，定義月份值為第一個組1.7其它符號為簡便起見，你可以使用一些為常見正則表達式創(chuàng)建的快捷符號。如表二所示:表二：常用符號1?的一常用餡.特號等價的正則表詁式叫]典-9]I”[A-ZQ-9]VW[^A-^0-9]也例如，在前面社會安全號碼的例子中，所有出現(xiàn)“[0-9]”的地方我們都可以使用“\d”。修改后的正則表達式如圖七所示：連字符連字符\d{3}\-\d{2}\-\d{4}前三個數(shù)字中間兩個數(shù)字最后四個數(shù)字圖七：匹配所有123-12-1234格式的社會安全號碼二、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，而且它們中的許多支持Perl5兼容的正則表達式語法。我在這里選用的是Jakarta-ORO正則表達式庫，它是最全面的正則表達式API之一，而且它與Perl5正則表達式完全兼容。另外，它也是優(yōu)化得最好的API之一。Jakarta-ORO庫以前叫做OROMatcher，DanielSavarese大方地把它贈送給了JakartaProject。你可以按照本文最后參考資源的說明下載它。我首先將簡要介紹使用Jakarta-ORO庫時你必須創(chuàng)建和訪問的對象，然后介紹如何使用Jakarta-OROAPI。▲PatternCompiler對象首先，創(chuàng)建一個Perl5Compiler類的實例，并把它賦值給PatternCompiler接口對象。Perl5Compiler是PatternCompiler接口的一個實現(xiàn)，允許你把正則表達式編譯成用來匹配的Pattern對象。PatternCompIIercompiIer=newPerI5CompiIer;▲Pattern對象要把正則表達式編譯成Pattern對象，調(diào)用compiler對象的compile()方法，并在調(diào)用參數(shù)中指定正則表達式。例如，你可以按照下面這種方式編譯正則表達式“t[aeio]n”：Pa+ternpa_t+ern=nuII:-try{psl+erri=compiIer.toiripiIe(+[aeio]n);}catch(MaIformedF'atternExceptione)(e.prin-tS-tack.Tracel);默認情況下，編譯器創(chuàng)建一個大小寫敏感的模式(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”。要創(chuàng)建一個大小寫不敏感的模式，你應(yīng)該在調(diào)用編譯器的時候指定一個額外的參數(shù)：pa-t-tern=compiIpile(+[aeio]n.Per15CompiIer.以$E_INSENSITIVE_HASK)創(chuàng)建好Pattern對象之后，你就可以通過PatternMatcher類用該Pattern對象進行模式匹配?！鳳atternMatcher對象PatternMatcher對象根據(jù)Pattern對象和字符串進行匹配檢查。你要實例化一個Perl5Matcher類并把結(jié)果賦值給PatternMatcher接口。Perl5Matcher類是PatternMatcher接口的一個實現(xiàn)，它根據(jù)Perl5正則表達式語法進行模式匹配：Pat-ternrmalcher=newPer15M己■tcher使用PatternMatcher對象，你可以用多個方法進行匹配操作，這些方法的第一個參數(shù)都是需要根據(jù)正則表達式進行匹配的字符串：booleanmatches(Stringinput,Patternpattern)：當(dāng)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。booleanmatchesPrefix(Stringinput,Patternpattern):當(dāng)正則表達式匹配輸入字符串起始部分時使用。booleancontains(Stringinput,Patternpattern):當(dāng)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(diào)用中，你還可以用PatternMatcherInput對象作為參數(shù)替代String對象；這時，你可以從字符串中最后一次匹配的位置開始繼續(xù)進行匹配。當(dāng)字符串可能有多個子串匹配給定的正則表達式時，用PatternMatcherInput對象作為參數(shù)就很有用了。用PatternMatcherInput對象作為參數(shù)替代String時，上述三個方法的語法如下：booleanmatches(PatternMatcherInputinput,Patternpattern)booleanmatchesPrefix(PatternMatcherInputinput,Patternpattern)booleancontains(PatternMatcherInputinput,Patternpattern)三、應(yīng)用實例下面我們來看看Jakarta-ORO庫的一些應(yīng)用實例。

3.1日志文件處理任務(wù)：分析一個Web服務(wù)器日志文件，確定每一個用戶花在網(wǎng)站上的時間。在典型的BEAWebLogic日志文件中，日志記錄的格式如下：141--[26/Fab/2001'10:56:03-050Oj"GET/IsAIiue.htmHTTP/l20015分析這個日志記錄，可以發(fā)現(xiàn)，要從這個日志文件提取的內(nèi)容有兩項：IP地址和頁面訪問時間。你可以用分組符號（圓括號）從日志記錄提取出IP地址和時間標記。首先我們來看看IP地址。IP地址有4個字節(jié)構(gòu)成，每一個字節(jié)的值在0到255之間，各個字節(jié)通過一個句點分隔。因此，IP地址中的每一個字節(jié)有至少一個、最多三個數(shù)字。圖八顯示了為IP地址編寫的正則表達式：必需的句點必需的句點必需的句點|\d{1,3}I\d{1,3}\.\d(1,3}\d(1,3)必需的句點必需的句點必需的句點|\d{1,3}I\d{1,3}\.\d(1,3}\d(1,3)第i字節(jié)1到3個數(shù)字第芹節(jié)1到3不數(shù)字第諄節(jié)1到3個數(shù)字第4字節(jié)1到很個數(shù)字IP地址中的句點字符必須進行轉(zhuǎn)義處理（前面加上“\”），因為IP地址中的句點具有它本來的含義，而不是采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(jīng)介紹。日志記錄的時間部分由一對方括號包圍。你可以按照如下思路提取出方括號里面的所有內(nèi)容：首先搜索起始方括號字符（"[”），提取出所有不超過結(jié)束方括號字符（"]”）的內(nèi)容，向前尋找直至找到結(jié)束方括號字符。圖九顯示了這部分的正則表達式。開始’['符號結(jié)束符號V["]]+V表達式的一部分，匹配前的所有字符圖九：匹配至少一個字符，直至找到“]”現(xiàn)在，把上述兩個正則表達式加上分組符號（圓括號）后合并成單個表達式，這樣就可以從日志記錄提取出IP地址和時間。注意，為了匹配“--”（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。必需的連字符(\d{1,3}\.\d{L3}l\d{1,3}l\d{13})\s-\s-\s\[([Aj]+)\]吁地址，組1時間值，組z圖十：匹配IP地址和時間標記現(xiàn)在正則表達式已經(jīng)編寫完畢，接下來可以編寫使用正則表達式庫的Java代碼了。為使用Jakarta-ORO庫，首先創(chuàng)建正則表達式字符串和待分析的日志記錄字符串:StringlogEntry=^17i.26.155241--L2'6/Feb/2001:10:56■03-0500]\^ETZlAlHTTP/1,0\"20015弋;&tringrC[0-9]{1.3}.[0-9]{1.3]\\.[0-9]{1[U-9]【1.3行這里使用的正則表達式與圖十的正則表達式差不多完全相同，但有一點例外：在Java中，你必須對每一個向前的斜杠(“\”)進行轉(zhuǎn)義處理。圖十不是Java的表示形式，所以我們要在每個“\”前面加上一個“\”以免出現(xiàn)編譯錯誤。遺憾的是，轉(zhuǎn)義處理過程很容易出現(xiàn)錯誤，所以應(yīng)該小心謹慎。你可以首先輸入未經(jīng)轉(zhuǎn)義處理的正則表達式，然后從左到右依次把每一個“\”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，實例化PatternCompiler對象，用PatternCompiler編譯正則表達式創(chuàng)建一個Pattern對象：現(xiàn)在，創(chuàng)建PatternMatcher對象，調(diào)用PatternMatcher接口的contain()方法檢查匹配情況：IPst+firrbMa+eherP&rISMa+ch&r0:if(matcher.corrtains(logEntry.pattern))(hls-tehResul+r&suI七二iiistctchO:System.out.prirrtln(AIP;+resul\.gr^up^l)):Syst&ffi.out.口firrtIn〔°Tim巨m土白mp:旦mul+.gE.-up(2))接下來，利用PatternMatcher接口返回的MatchResult對象，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：IP:172.26.T55.241Timestamp:'Sfi/Feb/EOOtil0:56:d3-05003.2HTML處理實例一下面一個任務(wù)是分析HTML頁面內(nèi)FONT標記的所有屬性。HTML頁面內(nèi)典型的FONT標記如下所示：程序?qū)凑杖缦滦问?，輸出每一個FONT標記的屬性:+ace=AriaI,5ewize=->"2q^\Qr=red在這種情況下，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”可選的空白字符可選的空白字符可選的空白宇符<Mfont寸（［A>D>字符標記的名字字符圖^一：匹配FONT可選的空白字符可選的空白字符可選的空白宇符<Mfont寸（［A>D>字符標記的名字字符圖^一：匹配FONT標記的所有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。匹配除結(jié)束引號字符外的所有可選的空白字符可選的空白字符字符，組3何z]+)甘W甘…：」[*]+)屬性名字，組1開始引號字符結(jié)束引號字符分割結(jié)果為:facerial.Se￡ize-+2coIorred圖十二：匹配單個屬性，并把它分割成名字-值對現(xiàn)在我們來看看完成這個任務(wù)的Java代碼。首先創(chuàng)建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，使得匹配操作不區(qū)分大小寫。接下來，創(chuàng)建一個執(zhí)行匹配操作的Perl5Matcher對象。StringregexpForFLintTag=\\ont\([>]*)IS-tringregexpForFontib=C.[a-z]+J\\s+\〔[I]*.)\；Pat+emCompiIeftompiler=newPerl5CompiI旦r():Pat±ernpa"t±erriFi>rFciri+Tag=compiIpiIatKegexpForFontTap;PerISCompiIer.GASE_IN5ENSITIVE_MASK);PatternpatternForFon±At~trib=compiIpiIet.rep;expFofFori~tA±trib.PerISCompiI@r.CASE_IN5ENSITIVE_MASK);Patternhlilcher[ria-tcher=ne,iiPerISMatcher():假設(shè)有一個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標記，匹配器將返回true。此時，你可以用匹配器對象返回的MatchResult對象獲得第一個組，它包含了FONT的所有屬性：if(matcher.contains(htmI.patternForFontT^g)){his+chRssuI+resuI七二爪3土口卜此『.ge+Hs+chLJ;String-=ittribs=resu11.gr^up11J:Pa"HzernMa-tcherInputi廠甲”」七二廠舊卅Pat~ternHa-tcherI口尸」土Cm土七「ibs);whiIe(matcher.cantains(input,patternForFcntAttrib))(resLlIt=matcher.gethlatch();Svs~j-t.prin+InLresuI+.groupLiJ+:It.group(2));接下來創(chuàng)建一個PatternMatcherInput對象。這個對象允許你從最后一次匹配的位置開始繼續(xù)進行匹配操作，因此，它很適合于提取FONT標記內(nèi)屬性的名字-值對。創(chuàng)建PatternMatcherInput對象，以參數(shù)形式傳入待匹配的字符串。然后，用匹配器實例提取出每一個FONT的屬性。這通過指定PatternMatcherInput對象(而不是字符串對象)為參數(shù)，反復(fù)地調(diào)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(nèi)部的指針向前移動，下一次檢測將從前一次匹配位置的后面開始。本例的輸出結(jié)果如下：3.3HTML處理實例二下面我們來看看另一個處理HTML的例子。這一次，我們假定Web服務(wù)器從移到了。現(xiàn)在你要修改一些頁面中的鏈接:

*\3hre~F=h"t+p:///1n+erface.h+nIfrHow_To_Buy卜〈占hret=A/interface.htmI在Hcm_T,D_8E!Ite；hr5-f=Aprttp://news^rv^h.昌己用信.com/ir+&E+a?5e.ktih14H&w_To_Euy〈己hr6^=krttp;///iriterfaGe.PitmI#HQW_TQ_SeII〉執(zhí)行這個搜索的正則表達式如圖十三所示：可選的空格必需的空格國磨的可選的空格空格必需的字符序列引號字符V可選的空格必需的空格國磨的可選的空格空格必需的字符序列引號字符Va雄lirefV=Vhip:峋$酬￡01的晌驪I(<‘<‘字鏈接

符標記hrefJi性，二，符(對h1>匹配引號之前字符的所有內(nèi)容，組1圖十三：匹配修改前的鏈接如果能夠匹配這個正則表達式，你可以用下面的內(nèi)容替換圖十三的鏈接:注意#字符的后面加上了$1。Perl正則表達式語法用$1、$2等表示已經(jīng)匹配且提取出來的組。圖十三的表達式把所有作為一個組匹配和提取出來的內(nèi)容附加到鏈接的后面?，F(xiàn)在，返回Java。就象前面我們所做的那樣，你必須創(chuàng)建測試字符串，創(chuàng)建把正則表達式編譯到Pattern對象所必需的對象，以及創(chuàng)建一個PatternMatcher對象：StringIink=hr\/interface.htmI#How_To_Trade\>;StringregexpForLink=^<\\s*a\\E+href\\E*=\\s*\^H