查看文章 |
Java正则表达式(1)
2007-06-26 09:12
正则表达式用来指定字符串模式。当你需要定位匹配某种模式的字符串时就可以使用正则表达式。例如，我们下面的一个例程就是在一个HTML文件中通过查找字符串模式<a href="...">来定位所有的超链接。 当然，为了指定一种模式，使用...这种记号是不够精确的。你需要精确地指定什么样的字符排列是一个合法的匹配。当描述某种模式时，你需要使用一种特殊的语法。 这里有一个简单例子。正则表达式 [Jj]ava.+ 匹配下列形式的任何字符串：
例如，字符串“javaness”匹配这个特殊的正则表达式，但是字符串“Core Java”却不匹配。 如你所见，你需要了解一点语法来理解正则表达式的含意。幸运的是对于大多数的用途，使用少量的简单构造（straightforward constructs）就已足够。
例如，字符串cab匹配[a-z]*ab，但不匹配[a-z]*+ab。第一种情况下，[a-z]*只匹配字符c，因此字符ab正好与模式的剩余部分匹配。但是贪婪版本[a-z]*+就与字符cab匹配，模式的剩余部分ab就匹配失败（，这样总体也就匹配失败）。
这里有一个稍微有点复杂却又很有用的正则表达式－－它用来描述十进制和十六进制的整数。 [+-]?[0-9]+|0[Xx][0-9A-Fa-f]+ 不幸的是，在使用正则表达式的各种程序和库之间，它的语法还没有完全标准化。对基本的构造上已达成了共识，但在细节方面有许多令人“抓狂”的区别 （many maddening differences）。Java的正则表达式类使用了与Perl语言类似的语法，但也不尽相同。表12-8显示了Java语法的所有正则表达式构造。 要了解更多关于正则表达式的信息，请参考Pattern类的API文档，或者Jeffrey E. F. Friedl的著作《Mastering Regular Expressions》(O'Reilly and Associates, 1997)（刚去第二书店查了一下，东南大学出版社已经引入了其第二版，影印） 表12-8 正则表达式语法 语法 解释 字符 c 字符c \unnnn, \xnn, \0n, \0nn, \0nnn 带有十六或八进制值的代码单元 \0n 八进制0n代表的字符（0<=n<=7）
\0nn 八进制0nn代表的字符(0<=n<=7)
\0mnn 八进制0mnn代表的字符(0<=m<=3,0<=n<=7)
\xnn 十六进制 0xnn所代表的字符
\uhhhh 十六进制 0xhhhh所代表的字符
\t, \n, \r, \f, \a, \e 控制字符，依次是制表符，换行符，回车符，换页符，报警符和转义符\cc 控制字符中出现的相应字符c 字符类 [C1C2. . .] C1、C2……中的任何字符。Ci可以是字符，字符范围（C1-C2）或者字符类。 [^. . .] 字符类的补集 [ . . . && . . .] 两个字符类的交集 预定义字符类 . 除行终止符外的任何字符（如果DOTALL标志置位，则表示任何字符） \d 数字[0-9] \D 非数字[^0-9] \s 空白字符[\t\n\r\f\x0B] \S 非空白字符 \w 单词字符[a-zA-Z0-9_] \W 非单词字符 \p{name} 一个指定的字符类，见表12-9 \P{name} 指定字符类的补集 边界匹配符 ^ $ 输入的开头和结尾(在多行模式(multiline mode)下是行的开头和结尾) \b 单词边界 \B 非单词边界 \A 输入的开头 \z 输入的结尾 \Z 除最后行终止符之外的输入结尾 \G 上个匹配的结尾 量词 X? 可选的X（即X可能出现，也可能不出现） X* X，可以重复0次或多次 X+ X，可以重复1次或多次 X{n} X{n,} X{n,m} X重复n次，至少重复n次，重复n到m次 量词后缀 ? 设默认（贪婪）匹配为reluctant匹配 + 设默认（贪婪）匹配为possessive匹配 集合操作 XY X的匹配后面跟着Y的匹配 X|Y X或Y的匹配 分组 (X) 匹配X并且在一个自动计数的分组中捕获它 \n 与第n个分组的匹配 转义 \c 字符c（必须不是字母） \Q...\E 逐字地引用... （？...） 特殊构造，看Pattern类的API 正则表达式的最简单使用是测试一个特殊的字符串是否与之匹配。这里有一个Java写的测试程序。首先从表示正则表达式的字符串构造一个Pattern对象。然后从该模式获得一个Matcher对象，并且调用它的matches()方法： Pattern pattern = Pattern.compile(patternString);
Matcher matcher = pattern.matcher(input);
if (matcher.matches()) . . .
表12.9 预定义的字符类名（Predefined Character Class Names） Lower 小写的ASII字符[a-z] Upper 大写的ASCII字符[A-Z] Alpha ASCII字母[A-Za-z] Digit ASCII 数字 [0-9] Alnum ASCII 字母或数字[A-Za-z0-9] Xdigit 十六进制数字[0-9A-Fa-f] Print or Graph 可打印的ASCII字符[\x21-\x7E] Punct 非字母或数字ASCII [\p{Print}&&\P{Alnum}] ASCII 所有ASCII字符 [\x00-\x7F] Cntrl ASCII控制字符[\x00-\x1F] Blank 空格符或制表符[ \t] Space 空白符 [ \t\n\r\f\0x0B] javaLowerCase 取决于Character.isLowerCase()的小写字符 javaUpperCase 取决于Character.isUpperCase()的大写字符 javaWhitespace 取决于Character.isWhitespace()的空白符 javaMirrored 取决于Character.isMirrored()的Mirrored（？） InBlock 这里的Block是unicode字符的块名，用空格隔开，比如BasicLatin 或 Mongolian。块名列表 参考http://www.unicode.org Category 或InCategory 这里的Category是Unicode字符的种类名，比如L（字母）或者Sc（货币符号）。种类 名列表参考http://www.unicode.org matcher的输入可以是实现CharSequence接口的任何类对象，像String，StringBuilder或CharBuffer。 当编译模式时，可以设置一个或多个标志，例如 Pattern pattern = Pattern.compile(patternString,
Pattern.CASE_INSENSITIVE + Pattern.UNICODE_CASE);
下面六个标志都是支持的： CASE_INSENSITIVE：匹配字符时与大小写无关，该标志默认只考虑US ASCII字符。
UNICODE_CASE：当与CASE_INSENSITIVE结合时，使用Unicode字母匹配
MULTILINE：^和$匹配一行的开始和结尾，而不是整个输入
UNIX_LINES： 当在多行模式下匹配^和$时，只将'\n'看作行终止符
DOTALL: 当使用此标志时，.符号匹配包括行终止符在内的所有字符
CANON_EQ: 考虑Unicode字符的规范等价
如果正则表达式包含分组，Matcher对象能够揭示分组边界。方法int start(int groupIndex)
int end(int groupIndex)
返回某个特殊分组的起始索引和结尾后索引（past-the-end index ）。通过调用String group(int groupIndex)，你可以简单地得到匹配的字符串。 第0个分组代表所有的分组，第一个实际分组的索引是1。调用groupCount来获得总的分组数。 使用开放圆括号来安排嵌套分组。例如，给定模式((1?[0-9]):([0-5][0-9]))[ap]m，并且输入11:59am,Matcher对象报告下列分组 ((1?[0-9]):([0-5][0-9]))[ap]m 并输入 11:59am matcher报告下列分组 分组索引 起始 结束 字符串 0 0 7 11;59am 1 0 5 11:59 2 0 2 11 3 3 5 59 From:http://blog.csdn.net/CrazyGou/archive/2007/06/20/1659114.aspx |
最近读者：
