简要介绍Java正则表达式

简要介绍Java正则表达式

很多语言都支持正则表达式，Java如果如果需要使用正则表达式，你可以从Apache.org下载源代码开放的jakarta-oro 库。本文接下来就以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：

先来点正则表达式的基础
概念：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。
而列目录时， dir *.txt或ls *.txt中的*.txt就不是一个正则表达式,因为这里*与正则式的*的含义是不同的。
正则表达式是由普通字符（例如字符 a 到 z）以及特殊字符（称为元字符）组成的文字模式。正则表达式作为一个模板，将某个字符模式与所搜索的字符串进行匹配。
接下来我们从很简单的开始，假设你要搜索包含字符"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：

正则表达式： cat
匹配 cat, catalog, Catherine, sohisticated

好吧，接下来我们看一些常用的正则表达式符号。

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：

正则表达式： t.n
匹配 tan, ten, tin, Ten, t#n, t n 等

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：

正则表达式：t[aeion]n
匹配:tan, ten, tin,ton

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。

正则表达式：t[a|e|i|o|n]n
匹配：tan, ten, tin, ton

1.4 表示匹配次数的符号

下表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：

符号    次数

*    0次或多次

+    一次或多次

?    0次或一次

{n}    恰好n次

{n,m}    n到m次

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下所示。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“\”。

正则表达式:[0-9]{3}-[0-9]{2}-[0-9]{4}
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，如下所示：

正则表达式:[0-9]{3}-?[0-9]{2}-?[0-9]{4}
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}”。下面显示了完整的正则表达式。

正则表达式:[0-9]{4}[A-Z]{2}
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，下面的正则表达式匹配所有单词，但以“X”字母开头的单词除外。

正则表达式:[^x][a-z]+
匹配: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下所示： 它匹配所有Moth DD,YYYY格式的日期

正则表达式:[a-z]+\s+[0-9]{1,2},\s[0-9]{4}
匹配: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下：

正则表达式:([a-z]+)\s+[0-9]{1,2},\s[0-9]{4}
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。

符号 等价的正则表达式

\d     [0-9] \D [^0-9]

\w     [a-z0-9]

\W     [^a-z0-9]

\s     [\t\n\r\f]

\S     [^\t\n\r\f]

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下所示：

正则表达式:[\d]{4}-[\d]{3}-[\d]{2}
匹配:匹配所有Moth DD,YYYY格式的日期

二、Jakarta-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。

相关资源

Demo: http://jakarta.apache.org/oro/demo.html
API: http://jakarta.apache.org/oro/api/index.html

接下来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。

PatternCompiler compiler = new Perl5Compiler();

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”：

Pattern pattern = null;
try {
      pattern = compiler.compile("t[aeio]n", 
      Perl5Compiler.CASE_INSENSITIVE_MASK);
    } catch (MalformedPatternException e) {
      e.printStackTrace();
    }

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：

pattern = compiler.compile("t[aeio]n", Perl5Compiler.CASE_INSENSITIVE_MASK);

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)