| 如果你曾經(jīng)用過Perl或任何其他內(nèi)建正則表達(dá)式支持的語言，你一定知道用正則表達(dá)式處理文本和匹配模式是多么簡單。如果你不熟悉這個術(shù)語，那么“正則表達(dá)式”（Regular Expression）就是一個字符構(gòu)成的串，它定義了一個用來搜索匹配字符串的模式。 |
| 許多語言，包括Perl、PHP、Python、JavaScript和JScript，都支持用正則表達(dá)式處理文本，一些文本編輯器用正則表達(dá)式實現(xiàn)高級“搜索-替換”功能。那么Java又怎樣呢？本文寫作時，一個包含了用正則表達(dá)式進(jìn)行文本處理的Java規(guī)范需求（Specification Request）已經(jīng)得到認(rèn)可，你可以期待在JDK的下一版本中看到它。 |
| 然而，如果現(xiàn)在就需要使用正則表達(dá)式，又該怎么辦呢？你可以從Apache.org下載源代碼開放的Jakarta-ORO庫。本文接下來的內(nèi)容先簡要地介紹正則表達(dá)式的入門知識，然后以Jakarta-ORO API為例介紹如何使用正則表達(dá)式。 |
| 我們先從簡單的開始。假設(shè)你要搜索一個包含字符“cat”的字符串，搜索用的正則表達(dá)式就是“cat”。如果搜索對大小寫不敏感，單詞“catalog”、“Catherine”、“sophisticated”都可以匹配。也就是說： |
| 假設(shè)你在玩英文拼字游戲，想要找出三個字母的單詞，而且這些單詞必須以“t”字母開頭，以“n”字母結(jié)束。另外，假設(shè)有一本英文字典，你可以用正則表達(dá)式搜索它的全部內(nèi)容。要構(gòu)造出這個正則表達(dá)式，你可以使用一個通配符——句點符號“.”。這樣，完整的表達(dá)式就是“t.n”，它匹配“tan”、“ten”、“tin”和“ton”，還匹配“t#n”、“tpn”甚至“t n”，還有其他許多無意義的組合。這是因為句點符號匹配所有字符，包括空格、Tab字符甚至換行符： |
| 為了解決句點符號匹配范圍過于廣泛這一問題，你可以在方括號（“[]”）里面指定看來有意義的字符。此時，只有方括號里面指定的字符才參與匹配。也就是說，正則表達(dá)式“t[aeio]n”只匹配“tan”、“Ten”、“tin”和“ton”。但“Toon”不匹配，因為在方括號之內(nèi)你只能匹配單個字符： |
| 如果除了上面匹配的所有單詞之外，你還想要匹配“toon”，那么，你可以使用“|”操作符。“|”操作符的基本意義就是“或”運(yùn)算。要匹配“toon”，使用“t(a|e|i|o|oo)n”正則表達(dá)式。這里不能使用方擴(kuò)號，因為方括號只允許匹配單個字符；這里必須使用圓括號“()”。圓括號還可以用來分組，具體請參見后面介紹。 |
| 表一顯示了表示匹配次數(shù)的符號，這些符號用來確定緊靠該符號左邊的符號出現(xiàn)的次數(shù)： |
| 假設(shè)我們要在文本文件中搜索美國的社會安全號碼。這個號碼的格式是999-99-9999。用來匹配它的正則表達(dá)式如圖一所示。在正則表達(dá)式中，連字符（“-”）有著特殊的意義，它表示一個范圍，比如從0到9。因此，匹配社會安全號碼中的連字符號時，它的前面要加上一個轉(zhuǎn)義字符“\”。 |
|
圖一：匹配所有123-12-1234形式的社會安全號碼
|
| 假設(shè)進(jìn)行搜索的時候，你希望連字符號可以出現(xiàn)，也可以不出現(xiàn)——即，999-99-9999和999999999都屬于正確的格式。這時，你可以在連字符號后面加上“？”數(shù)量限定符號，如圖二所示： |
|
圖二：匹配所有123-12-1234和123121234形式的社會安全號碼
|
| 下面我們再來看另外一個例子。美國汽車牌照的一種格式是四個數(shù)字加上二個字母。它的正則表達(dá)式前面是數(shù)字部分“[0-9]{4}”，再加上字母部分“[A-Z]{2}”。圖三顯示了完整的正則表達(dá)式。 |
| “^”符號稱為“否”符號。如果用在方括號內(nèi)，“^”表示不想要匹配的字符。例如，圖四的正則表達(dá)式匹配所有單詞，但以“X”字母開頭的單詞除外。 |
| 假設(shè)要從格式為“June 26, 1951”的生日日期中提取出月份部分，用來匹配該日期的正則表達(dá)式可以如圖五所示： |
| 新出現(xiàn)的“\s”符號是空白符號，匹配所有的空白字符，包括Tab字符。如果字符串正確匹配，接下來如何提取出月份部分呢？只需在月份周圍加上一個圓括號創(chuàng)建一個組，然后用ORO API（本文后面詳細(xì)討論）提取出它的值。修改后的正則表達(dá)式如圖六所示： |
|
圖六：匹配所有Month DD,YYYY格式的日期，定義月份值為第一個組
|
| 為簡便起見，你可以使用一些為常見正則表達(dá)式創(chuàng)建的快捷符號。如表二所示： |
| 例如，在前面社會安全號碼的例子中，所有出現(xiàn)“[0-9]”的地方我們都可以使用“\d”。修改后的正則表達(dá)式如圖七所示： |
|
圖七：匹配所有123-12-1234格式的社會安全號碼
|
| 字符 |
| B |
字符B |
| \xhh |
16進(jìn)制值0xhh所表示的字符 |
| \uhhhh |
16進(jìn)制值0xhhhh所表示的Unicode字符 |
| \t |
Tab |
| \n |
換行符 |
| \r |
回車符 |
| \f |
換頁符 |
| \e |
Escape |
正則表達(dá)式的強(qiáng)大體現(xiàn)在它能定義字符集(character class)。下面是一些最常見的字符集及其定義的方式，此外還有一些預(yù)定義的字符集：
| 字符集 |
| . |
表示任意一個字符 |
| [abc] |
表示字符a，b，c中的任意一個(與a|b|c相同) |
| [^abc] |
除a，b，c之外的任意一個字符(否定) |
| [a-zA-Z] |
從a到z或A到Z當(dāng)中的任意一個字符(范圍) |
| [abc[hij]] |
a,b,c,h,i,j中的任意一個字符(與a|b|c|h|i|j相同)(并集) |
| [a-z&&[hij]] |
h,i,j中的一個(交集) |
| \s |
空格字符(空格鍵, tab, 換行, 換頁, 回車) |
| \S |
非空格字符([^\s]) |
| \d |
一個數(shù)字，也就是[0-9] |
| \D |
一個非數(shù)字的字符，也就是[^0-9] |
| \w |
一個單詞字符(word character)，即[a-zA-Z_0-9] |
| \W |
一個非單詞的字符，[^\w] |
在一些語言里，"\\"的意思是"只是要在正則表達(dá)式里插入一個反斜杠。沒什么特別的意思。"但是在Java里，"\\"的意思是"要插入一個正則表達(dá)式的反斜杠，所以跟在它后面的那個字符的意思就變了。"舉例來說，如果想表示一個或更多的"單詞字符"，那么這個正則表達(dá)式就應(yīng)該是"\\w+"。如果要插入一個反斜杠，那就得用"\\\\"。不過像換行，跳格之類的還是只用一根反斜杠："\n\t"。
| 邏輯運(yùn)算符 |
| XY |
X 后面跟著 Y |
| X|Y |
X或Y |
| (X) |
一個"要匹配的組(capturing group)". 以后可以用\i來表示第i個被匹配的組。 |
| 邊界匹配符 |
| ^ |
一行的開始 |
| $ |
一行的結(jié)尾 |
| \b |
一個單詞的邊界 |
| \B |
一個非單詞的邊界 |
| \G |
前一個匹配的結(jié)束 |
匹配的模式(Pattern flags)
compile( )方法還有一個版本，它需要一個控制正則表達(dá)式的匹配行為的參數(shù)：
Pattern Pattern.compile(String regex, int flag)
flag的取值范圍如下：
| 編譯標(biāo)志 |
效果 |
| Pattern.CANON_EQ |
當(dāng)且僅當(dāng)兩個字符的"正規(guī)分解(canonical decomposition)"都完全相同的情況下，才認(rèn)定匹配。比如用了這個標(biāo)志之后，表達(dá)式"a\u030A"會匹配"?"。默認(rèn)情況下，不考慮"規(guī)范相等性(canonical equivalence)"。 |
Pattern.CASE_INSENSITIVE
(?i) |
默認(rèn)情況下，大小寫不明感的匹配只適用于US-ASCII字符集。這個標(biāo)志能讓表達(dá)式忽略大小寫進(jìn)行匹配。要想對Unicode字符進(jìn)行大小不明感的匹配，只要將UNICODE_CASE與這個標(biāo)志合起來就行了。 |
Pattern.COMMENTS
(?x) |
在這種模式下，匹配時會忽略(正則表達(dá)式里的)空格字符(注：不是指表達(dá)式里的"\\s"，而是指表達(dá)式里的空格，tab，回車之類)。注釋從#開始，一直到這行結(jié)束。可以通過嵌入式的標(biāo)志來啟用Unix行模式。 |
Pattern.DOTALL
(?s) |
在這種模式下，表達(dá)式'.'可以匹配任意字符，包括表示一行的結(jié)束符。默認(rèn)情況下，表達(dá)式'.'不匹配行的結(jié)束符。 |
Pattern.MULTILINE
(?m) |
在這種模式下，'^'和'$'分別匹配一行的開始和結(jié)束。此外，'^'仍然匹配字符串的開始，'$'也匹配字符串的結(jié)束。默認(rèn)情況下，這兩個表達(dá)式僅僅匹配字符串的開始和結(jié)束。 |
Pattern.UNICODE_CASE
(?u) |
在這個模式下，如果你還啟用了CASE_INSENSITIVE標(biāo)志，那么它會對Unicode字符進(jìn)行大小寫不明感的匹配。默認(rèn)情況下，大小寫不明感的匹配只適用于US-ASCII字符集。 |
Pattern.UNIX_LINES
(?d) |
在這個模式下，只有'\n'才被認(rèn)作一行的中止，并且與'.'，'^'，以及'$'進(jìn)行匹配。 |
在這些標(biāo)志里面，Pattern.CASE_INSENSITIVE，Pattern.MULTILINE，以及
Pattern.COMMENTS是最有用的(其中Pattern.COMMENTS還能幫我們把思路理清楚，并且/或者做文檔)。注意，你可以用在表達(dá)式里插記號的方式來啟用絕大多數(shù)的模式。這些記號就在上面那張表的各個標(biāo)志的下面。你希望模式從哪里開始啟動，就在哪里插記號。