计算机专业毕业或者使用过Unix、Perl等产品的读者一定对正则表达式有一定的印象,即使没有接触过正则表达式也不要被它的外貌所吓倒。虽然做到精通正则表达式比较难，但是能够掌握它的基本应用却是非常容易的，一旦把正则表达式应用于实际问题的解决就可以非常明显的提高工作效率。
正则表达式最早是由数学家Stephen Kleene在对自然语言的递增研究成果的基础上提出来的，具有完整语法的正则表达式使用在字符的格式匹配方面上。正则表达式是一种描述文字模式的方法，包括重复出现、不同选择方式以及为某些字符(比如数字、字母)而提供的缩写形式。我们经常会碰到甚至用到它，在Windows的搜索界面中输入“*.txt”就可以搜索到所有的文本文件，在DOS提示符下输入“Dir *.exe”就可以显示出当前路径下所有的可执行文件，在数据库中检索所有名称中含有“tom”的记录就可以执行如下SQL：“select * from T_Table where FName like ‘%tom%’”，这些“*.txt”、“%tom%”就是一种模式，这些模式将会与一些文本相匹配。
为什么要用正则表达式
你一定做过字符串解析的工作吧，那么让我们再来重温一下噩梦！
【噩梦1】“192.168.10.5[port=8080]”,这个字符串表示IP地址为192.168.10.5的服务器的8080端口是打开的，请用程序解析此字符串，然后打印出“IP地址为***的服务器的***端口是打开的”。
代码 1.1 普通方法进行IP地址字符串解析
String text = "192.168.10.5[port=8080]";
int leftBraceIndex = text.indexOf('[');
String ipAddr = text.substring(0,leftBraceIndex);
int equalsIndex = text.indexOf('=');
String port = text.substring(equalsIndex+1,text.length()-1);
System.out.println("IP地址为"+ipAddr+"的服务器的"+port+"端口是打开的");
好在字符串格式不复杂,这么简单的任务还是能轻松搞定的。
【噩梦2】 “192.168.10.5[port=21,type=ftp]”，这个字符串表示IP地址为192.168.10.5的服务器的21端口提供的是ftp服务，其中如果“,type=ftp”部分被省略，则默认为http服务。请用程序解析此字符串，然后打印出“IP地址为***的服务器的***端口提供的服务为***”。
代码 1.2 普通方法进行IP地址字符串解析2
public static void parseAddr2(String text)
{
int leftBraceIndex = text.indexOf('[');
String ipAddr = text.substring(0, leftBraceIndex);
String subStr = text.substring(leftBraceIndex + 1, text.length() - 1);
String[] strings = subStr.split(",");
String portString = strings[0];
String port = portString.split("=")[1];
String type = "http";
if (strings.length == 2)
{
String typeString = strings[1];
type = typeString.split("=")[1];
}
String msg = MessageFormat.format("IP地址为{0}的服务器的{1}端口提供的服务为{2}",
new Object[] { ipAddr, port, type });
System.out.println(msg);
}
运行如下的测试代码：
parseAddr2("192.168.10.5[port=21,type=ftp]");
parseAddr2("192.168.10.5[port=80]");
运行结果：
IP地址为192.168.10.5的服务器的21端口提供的服务为ftp
IP地址为192.168.10.5的服务器的80端口提供的服务为http
【噩梦3】判断一个字符串是否是Email？
代码 1.3 普通方法验证Email正确性
public static boolean validateEmail(String text)
{
int atIndex = text.indexOf('@');
int dotLastIndex = text.lastIndexOf('.');
//必须含有@和.
if (atIndex < 0 || dotLastIndex < 0)
{
return false;
}
int textLen = text.length();
//不能以@或者.开始或者结束
if (atIndex == 0 || atIndex == textLen || dotLastIndex == 0
|| dotLastIndex == textLen)
{
return false;
}
//@要在最后一个.之前
if (atIndex > dotLastIndex)
{
return false;
}
return true;
}
运行如下的测试代码：
System.out.println(validateEmail("cownew@cownew.com"));
System.out.println(validateEmail("bcdes"));
System.out.println(validateEmail("@cownew.com"));
运行结果：
true
false
false
【噩梦4】从一个文本中提取Email,比如从下面的文本中提取Email地址：
如鹏网的网址是http://www.rupeng.com，下面是几个开发人员的email:abc@rupeng.com、test@163.com，其他相关邮件可以发送到：test@test.com。
My God！饶了我吧！
可以看到，如果没有合适的理论和工具的支持，字符串的解析是一个非常痛苦的过程，像这里这几个这么简单的例子如果都要通过大量的if……else……语句进行解析，那编译器解析程序源码的过程不就会像是比天书还要难懂的代码了吗？
做计算机基础理论的科学家们为了解决自然语言的识别提出了正则表达式的概念，从而大大简化了文本的识别工作，并且为自动机等基础理论提供了坚实的基础。现在正则表达式已经从计算机理论的神坛走了下来，我们能在很多工具中找到正则表达式的身影，比如Unix中的vi编辑器、Perl脚本语言等。此外，现在流行的开发语言比如C#、VB、Java等等也都提供了对正则表达式的直接支持，甚至在像JavaScript这种脚本语言中也能发现对正则表达式的支持。正则表达式已经超出了某种语言或某个系统的局限，成为被人们广为使用的工具，我们完全可以用它来解决实际开发中碰到的一些实际的问题。
1.2正则表达式入门
一个正则表达式就是由普通字符(例如大小写字母)以及特殊字符(称为元字符)组成的文字模式。该模式描述在查找文字主体时待匹配的一个或多个字符串。正则表达式作为一个模板，将某个字符模式与所搜索的字符串进行匹配。
在最简单的情况下，一个正则表达式看上去就是一个普通的查找串。例如，正则表达式"java"中没有包含任何元字符，它可以匹配"java"和"javascript"等字符串，但是不能匹配"Java"。
1.2.1正则表达式语法
要想学会正则表达式，理解元字符是一个必须攻克的难关，这里先给出常用元字符的语法，如表1.1所示。即使不能完全看懂也没有关系，我们会在后边通过更多例子帮助读者理解。
表 1.1 正则表达式语法
元字符说明.匹配任何单个字符。例如正则表达式“b.g”能匹配如下字符串：“big”、“bug”、“b g”，但是不匹配“buug”。 $匹配行结束符。例如正则表达式“EJB$”能够匹配字符串“I like EJB”的末尾，但是不能匹配字符串“J2EE Without EJBs！”。 ^匹配一行的开始。例如正则表达式“^Spring”能够匹配字符串“Spring is a J2EE framework”的开始，但是不能匹配“I use Spring in my project”。*匹配0至多个在它之前的字符。例如正则表达式“zo*”能匹配“z”以及“zoo”；正则表达式“.*”意味着能够匹配任意字符串。/转义符，用来将元字符当作普通的字符来进行匹配。例如正则表达式/$被用来匹配美元符号，而不是行尾；正则表达式/.用来匹配点字符，而不是任何字符的通配符。[]匹配括号中的任何一个字符。例如正则表达式“b[aui]g”匹配bug、big和bug，但是不匹配beg。可以在括号中使用连字符“-”来指定字符的区间来简化表示，例如正则表达式[0-9]可以匹配任何数字字符，这样正则表达式“a[]c”就可以匹配“a0c”、“a1c”、“a2c”等字符串；还可以制定多个区间，例如“[A-Za-z]”可以匹配任何大小写字母。还有一个相配合使用的元字符“^”，用在这里并不像前边的那个“^”一样表示匹配行开始，而是表示“排除”，要想匹配除了指定区间之外的字符，就可以在左边的括号和第一个字符之间使用^字符，例如“[^163A-Z]”将能偶匹配除了1、6、3和所有大写字母之外的任何字符。( )将 () 之间括起来的表达式定义为“组”(group)，并且将匹配这个表达式的字符保存到一个临时区域,这个元字符在字符串提取的时候非常有用。|将两个匹配条件进行逻辑“或”运算。'z|food' 能匹配 "z" 或 "food"。'(z|f)ood' 则匹配"zood" 或 "food"。+匹配前面的子表达式一次或多次。例如正则表达式9+匹配9、99、999等。?匹配前面的子表达式零次或一次。例如，"do(es)?" 可以匹配 "do" 或 "does" 中的"do" 。此元字符还有另外一个用途，就是表示非贪婪模式匹配，后边将有介绍{n}匹配确定的 n 次。例如，“e{2}”不能匹配“bed”中的“d”，但是能匹配“seed”中的两个“e”。{n,}至少匹配n次。例如，“e{2,}”不能匹配“bed”中的“e”，但能匹配“seeeeeeeed”中的所有“e”。{n,m}最少匹配 n 次且最多匹配 m 次。“e{1,3}”将匹配“seeeeeeeed”中的前三个“e”。1.2.2 Java中的正则表达式API
在JDK1.3及之前的JDK版本中并没有包含正则表达式的类，如果要在Java中使用正则表达式必须使用第三方提供的正则表达式库，最有名的就是Jakarta-ORO，Jakarta-ORO库以前叫做OROMatcher，是Daniel Savarese赠送给Jakarta Project的一个开源包。
使用的时候首先要创建一个实现了PatternCompiler接口的实例变量以创建一个“模式编译器”，Jakarta-ORO中实现了这个接口的类就是Perl5Compiler，这个类做到了与Perl5的正则表达式完全兼容。
PatternCompiler compiler=new Perl5Compiler();
接着调用“模式编译器”的compile方法编译正则表达式：
Pattern pattern= compiler.compile("b[iue]g ");
接着创建一个实现了PatternMatcher接口的实例变量以创建一个“模式匹配器”，Jakarta-ORO中实现了这个接口的类就是Perl5Matcher：
PatternMatcher matcher=new Perl5Matcher();
然后就可以调用PatternMatcher 接口中的contains、matches等方法来进行模式匹配了。
Jakarta-ORO的使用是非常简便的，而且效率非常高，支持的正则表达式语法也是非常全的，唯一的缺点就是它不是JDK中的标准包。从JDK1.4开始提供了支持正则表达式API，它们位于java.util.regex包中，由于已经有了标准API，所以本书将会用java.util.regex进行正则表达式的相关操作。
java.util.regex中定义了一些表达式的简写，可以使得表达式显得更加简洁清晰：
/t：制表符，等同于/u0009
/n：换行符，等同于/u000A
/d：代表一个数字，等同于[0-9]
/D：代表非数字，等同于[^0-9]
/s：代表换行符、Tab制表符等空白字符
/S：代表非空白字符
/w：字母字符，等同于[a-zA-Z_0-9]
/W：非字母字符，等同于[^/w]
1.2.3java.util.regex的使用
java.util.regex中包括了两个类：Pattern和Matcher，与Jakarta-ORO不同的是这两个类都是终态类，并且没有定义相关接口。一个Pattern对象就是一个正则表达式经编译后的表现模式，也就是前边所说的“模式编译器”；一个Matcher对象是一个状态机器，它根据Pattern对象做为匹配模式对字符串展开匹配检查，也就是前边说的“模式匹配器”。因为模式的编译过程是最先进行且与匹配过程独立的，所以这保证了进行批量字符串匹配时候的运行效率。
Pattern类有如下重要的方法：
(1)public static Pattern compile(String regex)：将给定的正则表达式编译并返回编译后的Pattern对象。
(2)public static Pattern compile(String regex, int flags)：将给定的正则表达式编译并返回编译后的Pattern对象，flag参数表示匹配时的选项，可选的flag参数包括：CASE_INSENSITIVE,COMMENTS，MULTILINE,DOTALL,UNICODE_CASE，CANON_EQ。
(3)public int flags()：返回flag选项参数.
(4)public static boolean matches(String regex, CharSequence input)：直接判断字符序列input是否匹配正则表达式regex。前面曾经提到当需要使用一个正则表达式进行多次匹配的时候，对正则表达式进行预编译能够加快运行速度，但是如果这个匹配只进行一次的话，就可以调用这个matches方法直接判断是否匹配，这样就方便多了。这段代码内部的实现代码就是：Pattern.compile(regex).matcher(input).matches()；
Matcher 类有如下重要的方法：
(1)public boolean matches()：生成一个给定命名的Matcher对象
(2)public String pattern()：返回该Pattern对象所编译的正则表达式。
(3)public String[] split(CharSequence input)
将目标字符序列input按照Pattern里所包含的正则表达式为模式进行分割。
(4)public String[] split(CharSequence input, int limit) 将目标字符序列input按照Pattern里所包含的正则表达式为模式进行分割，参数limit作用是指定要分割的段数，如将limi设为2，那么目标字符序列将根据正则表达式分为割为两段。
(5)public String group(int group) ：得到匹配结果中提取的第group个分组的值。此方法在字符串提取中经常用到。
(6)public String replaceAll(String replacement)：用指定的字符串替换匹配的子串。
下面看一下简单的正则表达式的例子。
【例1-1】 简单的字符匹配
代码 1.4 简单的正则表达式字符匹配
Pattern p = Pattern.compile("b*g");
Matcher m = p.matcher("bbbbbbg");
boolean b = m.matches();
System.out.println(b);
运行结果为：
true
因为“b*g”匹配的字符0至多个“b”后面有一个“g”，所以“bbbbbbg”匹配。
这里采用简化形式，并匹配另外一个字符串：
boolean b = Pattern.matches("b*g","bug");
System.out.println(b);
运行结果为：
false
正则表达式不仅能进行字符串的匹配，还能进行字符串的提取、替换。下面就演示一个字符串提取的例子：
【例1-2】从文件路径中提取出文件名(包含后缀)
比如从“c:/dir1/dir2/name.txt”中提取出“name.txt”。
代码 1.5 字符串提取
String regEx = ".+/(.+)$";
String str = "c:/dir1/dir2/name.txt";
Pattern p = Pattern.compile(regEx);
Matcher m = p.matcher(str);
if (!m.find())
{
System.out.println("文件路径格式错误!");
return;
}
System.out.println(m.group(1));
运行结果：name.txt
正则表达式“.+/(.+)$”的含义就是：被匹配的字符串以任意字符序列开始，后边紧跟着字符“/”，最后以任意字符序列结尾，“()”代表分组操作，这里就是把文件名做为分组，匹配完毕我们就可以通过Matcher 类的group方法取到我们所定义的分组了。需要注意的这里的分组的索引值是从1开始的，所以取第一个分组的方法是m.group(1)而不是m.group(0)。
0 0
