正则表达式

 

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 Apache.org 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：

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 “\” 。     

  <!----><!----> <!---->

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     

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、 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。     

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