Java正则表达式(一)

正则表达式在处理文本方面用处非常大，最早像在Perl和awk语言中，提供了这种机制，Java在Java 2中也增加了正则表达式这个包java.util.regex。这个包为用户使用正则表达式，提供了易用而全面的支持。我的研究方向是web挖掘。从网页中提取内容,处理文本，当然需要正则表达式这个强大的工具了。 
一、首先我们看一下怎么使用正则表达式的一个例子： 
A Matcher examines the results of applying a pattern. 
我们希望从这句话中找到所有开头为a的单词。 
当然这只是一个简单的例子，你可以使用String提供的split方法，得到单词数组，然后 
遍历各个单词看是否是否开头为a 
我们现在看看怎么使用正则表达式来处理这个问题： 

import java.util.regex.*;

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

    String candidate =
     "A Matcher examines the results of applying a pattern.";
    String regex = "\\ba\\w*\\b";
    Pattern p = Pattern.compile(regex);
    Matcher m = p.matcher(candidate);
    String val = null;
    System.out.println("INPUT: " + candidate);
    System.out.println("REGEX: " + regex +"\r\n");
    while (m.find()){
      val = m.group();
      System.out.println("MATCH: " + val);
    }
    if (val == null) {
      System.out.println("NO MATCHES: ");
    }
  }
}

从这个例子我们可以看到正则表达式涉及到的两个类Matcher和Pattern,我们以后会专门讨论着连个类。现在主要看看使用正则表达式的流程： 
首先使用　Pattern的一个静态的方法compile来创建Pattern对象， 

Pattern p = Pattern.compile(regex);

然后调用Pattern的方法matcher 

Matcher m = p.matcher(candidate);

得到了Matcher对象，Matcher对象保存了许多匹配信息，然后可以通过find()方法 
查找匹配的部分，如果有匹配的部分，返回真，使用m.group方法得到匹配的各组值， 
否则find返回false. 
当然这只是一般的过程，还有许多更细的方法，在以后会陆续的总结，下面我们看一下 

String regex = "\\ba\\w*\\b";

这个就是一个正则表达式，b,w,*都是正则表达式的meta character原字符， 
\b表示单词的边界，w表示任意的可构成单词的字母数字，*表示前面的字母(当然可以 
是更复杂的组之类的了东东)重复0次或0次以上，a当然还是a了。所以这个regex就 
匹配单词开头为a的单词了。 
二、下面总结一下基本的正则表达式的meta character以及它们含义： 
.  匹配任意一个字符　$　匹配一行的结尾　^　匹配一行的开头(在[]里面表示否定) 
{}　定义了一个范围　 [] 定义了一个字符类　() 定义了一个组 
*前面出现0次以上   +　前面匹配一次以上　?前面出现0次或一次　　 
\　后面的字符不会看作metacharacter  \w 字母数字下划线　\W 非字母数字下划线 
\d 单个数字　\D单个非数字　| 或，二者之一　&&与操作符 \b单词边界 
下面看看几个简单的例子： 
[abc] a、b 或 c（简单类） 
[^abc] 任何字符，除了a、b 或 c（否定） 
[a-zA-Z] a 到 z 或 A 到 Z，两头的字母包括在内（范围） 
[a-d[m-p]] a 到 d 或 m 到 p：[a-dm-p]（并集） 
[a-z&&[def]] d、e 或 f（交集） 
[a-z&&[^bc]] a 到 z，除了 b 和 c：[ad-z]（减去） 
[a-z&&[^m-p]] a 到 z，而非 m 到 p：[a-lq-z]（减去） 
三、java.util.regex提供的操作接口： 
java.util.regex包提供了操作正则表达式的模型，整个模型优雅而简洁，只有三个类：Pattern、Matcher和 
PatternSyntaxException。下面将要总结他们提供的方法，以及如何灵活应用来处理文本。 

我们还是从Pattern的静态工厂方法来扩展吧： 

static Pattern compile(String regex)

将给定的正则表达式编译到模式中，并创建Pattern对象，这个方法通常是操作正则表达式的第一步，从前面那个例子 
我们也可以看到整个的流程。 
在看看一个重载的compile方法： 

static Pattern compile(String regex, int flags)

将给定的正则表达式编译到具有给定标志的模式中。 这个方法参数flags提供了一些特殊的选项来用于特殊的处理， 
我们下面看看可使用的选项： 
UNIX_LINES：这个主要处理UNIX和其他的操作系统在行结束符不一样的问题，UNIX使用\n代表一行的终止，而Windows 
则使用了\r\n,\n,\r,\u2028或者\u0085作为一行的结束符。 
CASE_INSENSITIVE：当我们在匹配的时候要忽略字符大小写时 
COMMENTS:允许我们在正则表达式中使用注释，例如 

Pattern p =Pattern.compile("A    #matches uppercase US-ASCII char code 65",Pattern.COMMENTS);

MULTILINE:表明要输入多行，他们有自己的终止字符。 

Pattern p = Pattern.compile("^", Pattern.MULTILINE);

如果你的输入的字符串是：This is a sentence.\n So is this.. 
这样我们匹配的字符时This中的T和So中的S，如果不使用MULTILINE，则只会匹配T 
DOTALL:使用这个选项之后metacharacter .就可以包括一行的终止字符了，如果没有这个选项， 
一行的终止字符，并不会考虑在字符串之内的。 
使用这个选项会降低效率 

Pattern p = Pattern.compile(".", Pattern.DOTALL);

如果我们输入的是Test\n，则匹配的字符是5个。 
UNICODE_CASE:处理UNICODE字符集，使用这个选项会降低效率 
CANON_EQ：一个字符的实际存储形式是经过编码后的数字，使用CANON_EQ选项就可以匹配一个字母在各种编码了。 
例如a可以匹配+00E0和U+0061U+0300 
使用这个选项会降低效率 
我们可以组合以上选项，只要使用|,进行按位或操作即可 

Pattern p =
Pattern.compile("t # a compound flag example",Pattern.CASE_INSENSITIVE | Pattern.UNICODE_CASE|
Pattern.COMMENT);

我们还要注意点的时Java对转译字符\的处理，例如我们要匹配一个数字： 
我们不能使用： 

Pattern p = Pattern.compile("\d");

而是： 

Pattern p = Pattern.compile("\\d");

另外如果regex本身形式是错误的，compile方法会抛出java.util.regex.PatternSyntaxException异常。 
下面我们总结一下public Matcher matcher(CharSequence input)方法： 
当我们使用compile操作，创建了Pattern对象之后，我们就可以使用Pattern对象的matcher操作，生成 
matcher对象了，Matcher对象包含了许多对匹配结果集的操作，我们在总结Matcher对象的时候再说。另外 
顺便提一下参数CharSequence，CharBuffer, Segment, String, StringBuffer, StringBuilder 都实现了 
这个接口，所以参数可以是这些中的任一种类型了。 
下面我们看看： 

public int flags()

这个方法返回了我们前面可以设置的并且已经设置的flags选项，我们通过按位与来判断是否设置了某个选项： 

int flgs = myPattern.flags();
boolean isUsingCommentFlag =( Pattern.COMMENTS == (Pattern.COMMENTS & flgs)) ;

看看一个简化过程的方法： 

public static boolean matches (String regex,CharSequence input)

这个方法实际上是： 

Pattern p = Pattern.compile(regex);
Matcher m = p.matcher(candidate);
m.matches()

过程的一个简化,我们在后面总结Matcher中的matches方法之后就会理解这个了。 
想必我们经常使用把字符串提取出token变成字符串数组的String中的split方法吧，下面我们看看 
类似的一个方法： 
public String[] split(CharSequence input) 
这个方法提供了强大的功能，因为它可以使用正则表达式来作为token的分割： 

Pattern p = new Pattern.compile(",|and");
String fruits[] = p.split("apple,banana and orange");

split的一个重载的版本： 

public String[] split(CharSequence input, int limit)

它指定了划分的组数，有以下三种情况： 
limit==0 
这时候和没有limit参数的那个split效果一样 
limit>0 
如果你仅仅对前limit个感兴趣，你可以使用limit： 

String[] tmp = pattern.split("Hello, Dolly, You, Are, My, Favorite",3);
//tmp[0] is  "Hello",
// tmp[1] is "Dolly";
//tmp[2] is  "You, Are, My, Favorite";

limit<0 
会尽可能的划分所有的组，即使分割符后面是个空字符，也要单独生成一个token:"" 

Pattern p = Pattern.compile(",");
String temp[] = p.split("Hello,Dolly,", -1);
//temp[]={"Hello","Dolly",""}

下次再总结Matcher类，和正则表达式的一些高级部分