《java正则相关》由会员分享,可在线阅读,更多相关《java正则相关(10页珍藏版)》请在金锄头文库上搜索。
1、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”、“tp
2、n”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: 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“taeion”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|
3、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“”。 图一: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,
4、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“0-94”,再加上字母部分“A-Z2”。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8836KV1.5 “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
5、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
6、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 S
7、avarese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
8、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“taeion”: 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Perl5Mat
9、cher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
10、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
11、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库的一些应用实例。 3.1 日志文件处理 任务:分析一个Web服务器日志文件,确定每一个用户花在网站上的时间。在典型的BEA WebLogic日志文件中,日志记录的格式如下: 分析这个日志记录
12、,可以发现,要从这个日志文件提取的内容有两项:IP地址和页面访问时间。你可以用分组符号(圆括号)从日志记录提取出IP地址和时间标记。 首先我们来看看IP地址。IP地址有4个字节构成,每一个字节的值在0到255之间,各个字节通过一个句点分隔。因此,IP地址中的每一个字节有至少一个、最多三个数字。图八显示了为IP地址编写的正则表达式: 图八:匹配IP地址IP地址中的句点字符必须进行转义处理(前面加上“”),因为IP地址中的句点具有它本来的含义,而不是采用正则表达式语法中的特殊含义。句点在正则表达式中的特殊含义本文前面已经介绍。 日志记录的时间部分由一对方括号包围。你可以按照如下思路提取出方括号里面
13、的所有内容:首先搜索起始方括号字符(“”),提取出所有不超过结束方括号字符(“”)的内容,向前寻找直至找到结束方括号字符。图九显示了这部分的正则表达式。 图九:匹配至少一个字符,直至找到“”现在,把上述两个正则表达式加上分组符号(圆括号)后合并成单个表达式,这样就可以从日志记录提取出IP地址和时间。注意,为了匹配“- -”(但不提取它),正则表达式中间加入了“s-s-s”。完整的正则表达式如图十所示。 图十:匹配IP地址和时间标记现在正则表达式已经编写完毕,接下来可以编写使用正则表达式库的Java代码了。 为使用Jakarta-ORO库,首先创建正则表达式字符串和待分析的日志记录字符串: 这里
14、使用的正则表达式与图十的正则表达式差不多完全相同,但有一点例外:在Java中,你必须对每一个向前的斜杠(“”)进行转义处理。图十不是Java的表示形式,所以我们要在每个“”前面加上一个“”以免出现编译错误。遗憾的是,转义处理过程很容易出现错误,所以应该小心谨慎。你可以首先输入未经转义处理的正则表达式,然后从左到右依次把每一个“”替换成“”。如果要复检,你可以试着把它输出到屏幕上。 初始化字符串之后,实例化PatternCompiler对象,用PatternCompiler编译正则表达式创建一个Pattern对象: 现在,创建PatternMatcher对象,调用PatternMatcher接口
15、的contain()方法检查匹配情况: 接下来,利用PatternMatcher接口返回的MatchResult对象,输出匹配的组。由于logEntry字符串包含匹配的内容,你可以看到类如下面的输出: 3.2 HTML处理实例一 下面一个任务是分析HTML页面内FONT标记的所有属性。HTML页面内典型的FONT标记如下所示: 程序将按照如下形式,输出每一个FONT标记的属性: 在这种情况下,我建议你使用两个正则表达式。第一个如图十一所示,它从字体标记提取出“face=Arial, Serif size=+2 color=red”。 图十一:匹配FONT标记的所有属性第二个正则表达式如图十二所示,它把各个属性分割成名字-值对。 图十二:匹配单个属