Java Pattern

http://fuliang.iteye.com/blog/169946

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: 

Java代码  收藏代码
  1. import java.util.regex.*;  
  2.   
  3. public class FindA{  
  4.   public static void main(String args[])  
  5.   throws Exception{  
  6.   
  7.     String candidate =  
  8.      “A Matcher examines the results of applying a pattern.”;  
  9.     String regex = “\\ba\\w*\\b”;  
  10.     Pattern p = Pattern.compile(regex);  
  11.     Matcher m = p.matcher(candidate);  
  12.     String val = null;  
  13.     System.out.println(“INPUT: “ + candidate);  
  14.     System.out.println(“REGEX: “ + regex +“\r\n”);  
  15.     while (m.find()){  
  16.       val = m.group();  
  17.       System.out.println(“MATCH: “ + val);  
  18.     }  
  19.     if (val == null) {  
  20.       System.out.println(“NO MATCHES: “);  
  21.     }  
  22.   }  
  23. }  

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, 

Java代码  收藏代码
  1. Pattern p = Pattern.compile(regex);  

然后调用Pattern的方法matcher 

Java代码  收藏代码
  1. 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 

Java代码  收藏代码
  1. 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: 

Java代码  收藏代码
  1. 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: 

Java代码  收藏代码
  1.    
  2. 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 

Java代码  收藏代码
  1. 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。 

Java代码  收藏代码
  1. 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 

Java代码  收藏代码
  1. 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 

Java代码  收藏代码
  1. Pattern p =  
  2. Pattern.compile(“t # a compound flag example”,Pattern.CASE_INSENSITIVE | Pattern.UNICODE_CASE|  
  3. 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: 

Java代码  收藏代码
  1. Pattern p = Pattern.compile(“\d”);  

而是: 

Java代码  收藏代码
  1. 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: 

Java代码  收藏代码
  1. 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: 

Java代码  收藏代码
  1. int flgs = myPattern.flags();  
  2. boolean isUsingCommentFlag =( Pattern.COMMENTS == (Pattern.COMMENTS & flgs)) ;  

看看一个简化过程的方法: 

Java代码  收藏代码
  1. public static boolean matches (String regex,CharSequence input)  

这个方法实际上是: 

Java代码  收藏代码
  1. Pattern p = Pattern.compile(regex);  
  2. Matcher m = p.matcher(candidate);  
  3. 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: 

Java代码  收藏代码
  1. Pattern p = new Pattern.compile(“,|and”);  
  2. String fruits[] = p.split(“apple,banana and orange”);  

split的一个重载的版本: 

Java代码  收藏代码
  1. 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: 

Java代码  收藏代码
  1. String[] tmp = pattern.split(“Hello, Dolly, You, Are, My, Favorite”,3);  
  2. //tmp[0] is  “Hello”,  
  3. // tmp[1] is “Dolly”;  
  4. //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:”” 

Java代码  收藏代码
  1. Pattern p = Pattern.compile(“,”);  
  2. String temp[] = p.split(“Hello,Dolly,”, –1);  
  3. //temp[]={“Hello”,”Dolly”,””}  

下次再总结Matcher类,和正则表达式的一些高级部分 

Advertisements

Leave a Reply

Fill in your details below or click an icon to log in:

WordPress.com Logo

You are commenting using your WordPress.com account. Log Out / Change )

Twitter picture

You are commenting using your Twitter account. Log Out / Change )

Facebook photo

You are commenting using your Facebook account. Log Out / Change )

Google+ photo

You are commenting using your Google+ account. Log Out / Change )

Connecting to %s