java正则表达式彻底研究

 package testreg;
import java.util.regex.matcher;
import java.util.regex.pattern;

/**
* <p>title: 正则表达式的研究</p>
* <p>description:
* 最近在工作中常常用到一些正则表达式的使用问题，到网上去找介绍大多是一鳞半爪。求人不如
* 求已。一狠心，自己看!这两天利用我们项目两期之间的一点空闲对j2se所支持的正则表达式来
* 了个彻底研究!代价是……就是浪废了部门近十二张白纸。闲话少说，书归正传。
* 原理：
*     正则表达式的原理是有限状态自动机，自动机内部有有限个状态，有一个初始状态，有一个
* 结束状态。自动机根据输入和自身内部的当前状态来决定下一步于什么。呵呵，这是很久以前学
* 的东东了也记不清了，大家只作参照吧。
* java中的正则表达式：
*     从j2se1.4起java增加了对正则表达式的支持就是java.util.regex包，这个包中主要有
* 3个类:pattern,代表模式，就是正则表达式自身，matcher，是一个有限状态自动机，其实大多
* 数的活还是让pattern类于了，matcher往往只是简单的调用pattern，不知道这是什么模式。这
* 两个类写的都很经典，还有不少算法在内值得有功力的人仔细研究一下。另一个是一个异常类当所
* 用正则表达式不正确时抛出，是运行时异常。
* 几个难点：
*   1.line terminator
*     line terminator 中文意终结符，是指一个或两个字符组成的字符序列。java中的
*     所有line terminator:
*     a newline (line feed) character ('\n'),
*      -----------换行符(0a)
*     a carriage-return character followed immediately by a newline character ("\r\n"),
*      -----------回车+换行(0d0a)
*     a standalone carriage-return character ('\r'),
*      -----------回车(0d)
*     a next-line character ('\u0085'),
*      ------------下一行符？(？表示我也不知道是什么，请大家明白的给我发mail
*     a line-separator character ('\u2028'), or
*      ------------行分隔符？
*     a paragraph-separator character ('\u2029).
*      ------------段落分隔符？
*      if unix_lines mode is activated, then the only line terminators recognized are newline characters.
*      如果使用unix模式则只有\n被认为是line terminator，也就是在使用pattern时如下：
*      pattern p=pattern.compile("正则表达式",pattern.unix_line);
*      或 pattern p=pattern.compile("(?d)正则表达式")
*      "."匹配除line terminator以外的所有字符(未指定dotall时)
*      在指定dotall模式时"."匹配所有字符
*   2.quantifiers,greedy,reluctant and possessive.
*     这几个词不太好译，原文是greedy quantifiers,reluctant quantifiers and possessive
*     quantifiers凭我这点英语我只好译作贪婪的量子，不情愿的量子和占有欲强的量子？这也太搞笑了，
*     好在我理解了他们的意思。这点等下我细说。
*   3. 对于[a-za-z],[a-d[h-i]],[^a-f],[b-f&&[a-z]],[b-f&&[^cd]]等形式的理解
*     对于上述，原文用range,union,negation,intersection,subtraction等来描述
*     range表是范围，union是并集，negation是取反，intersection是交集，subtraction
*     是……是减法？？反正是减去一部分的意思
*     range       a-z 从a到z的小写字母
*     negation    [^a-f]除了a-f之外所有的，全集是所有字符
*     union       [a-d[h-i]] a-d并h-i
*     subtraction [b-f&&[^cd]] 就是b-f中除了cd以外的都是
*     intersection[b-f&&[a-z]] 就是b-f与a-z中的公共部分
*     我总结了一下，其实就是方括号表示一个集合，集合中的元素用列举法表示如[abcd]，但太多
*     了怎么为？总不能把从a到z的全列举吧？那就用a-z表示且省略了方括号，交集用&&表示，并集
*     省略，差集(对subtraction译成差集还差不多)用交集和取反来表示。所以，以上的可表示为：
*     [[a-z][a-z]],[[a-d][h-i]],[^a-f],[[b-f]&&[a-z]],[[b-f]&&[^cd]]
*     这样是不是和我们的习惯相符了.
*   4.各个标志的意义
*     在生成pattern时可以同时使用几个标志来指定进行匹配时的方案。
*     用法形如：pattern p=pattern.compile(".*a?",pattern.unix_lines);
*     当同时指定多个标志时可以使用"|"操作符连接如：
*     pattern p=pattern.compile(".*a?,pattern.unix_lines|pattern.dotall);
*     也可以在表达式中指定如：
*     pattern p=pattern.compile("(?d).*a?");
*     pattern p=pattern.compile("(?d)(?s).*a?");
*     以上两个定义和前面两个对应等价
*     所有的标志如下：
*     constant               equivalent embedded flag expression 
     pattern.canon_eq              none enables canonical equivalence
     pattern.case_insensitive      (?i) enables case-insensitive matching
     pattern.comments              (?x) permits whitespace and comments in pattern.
     pattern.multiline             (?m) enables multiline mode.
     pattern.doatall               (?s) enables dotall mode
     pattern.unicode_case          (?u) enables unicode-aware case folding.
     pattern.unix_lines            (?d) enables unix lines mode

     canon_eq 指定使用规范等价模式？这个我理解的也有限，是不是说只要指定了这个模式则
     ascii码的'a'就可以和unicode的'a'还有xxx码的'a'相等？请教各位。(mail to me)

     case_insensitive 指定使用大小写不敏感的匹配模式，这个好理解，但要注意这个标志只是
     对ascii码有效，要使unicode在比较时也忽略大小写要同时指定unicode_case,就是要指定
     case_insensitive|unicode_case或使用(?i)(?u)

     comments 指定使用注释和忽略空白，也就是".*a"==".  *a #this is comments"我想这个
*     在正则表达式很大，而且是在文件中输入时比较有用，平时我看也用不上。
*     
*     multiline in multiline mode the expressions ^ and $ match just after 
*     or just before, respectively, a line terminator or the end of the 
*     input sequence. by default these expressions only match at the beginning 
*     and the end of the entire input sequence
*     指定使用多行匹配模式，在默认模式下，^和$分别只匹配一个输入的开始和结束。
*     在这种模式下，^和$ 除了匹配整个输入的开始和结束外还匹配一个line terminator的后边和
*     前边(不是前边和后边，就是说^匹配line terminator的后边$匹配line terminator的前边。
*     
*     doatall 如指定了这个模式则"."可匹配任何字符包括line terminator
*     
*     unix_lines 指定这个模式时只有\n被认为是line terminator而\r和\r\n都不是
* 
*  其他的我一时想不起来了，在具体介绍时再说吧。
* </p>
*/
public class testreg2
{

   public static void main(string[] args)
   {
       string str1 = "";
       object str = "";
       //注意：\r,\n,\b等转义字符在java字符串常量中要写成\\r,\\n,\\b等，否则编译都过不去
       //\s匹配\r,\n,\r和空格
       system.out.println("\\s匹配\\r,\\n,\\r和空格 "+" \t\n\r".matches("\\s{4}"));
       //\s和\s互逆
       system.out.println("\\s和\\s互逆 "+"/".matches("\\s"));
       //.不匹配\r和\n
       system.out.println(".不匹配\\r和\\n "+"\r".matches("."));
       system.out.println("\n".matches("."));

       //\w匹配字母，数字和下划线
       system.out.println("\\w匹配字母，数字和下划线  "+"a8_".matches("\\w\\w\\w"));
       //\w和\w互逆
       system.out.println("\\w和\\w互逆 "+"&_".matches("\\w\\w"));
       //\d匹配数字
       system.out.println("\\d匹配数字 "+"8".matches("\\d"));
       //\d与\d互逆
       system.out.println("\\d与\\d互逆"+"%".matches("\\d"));
       //两者都匹配但意文不同
       system.out.println("======================");
       system.out.println("表示\\000a匹配\\000a "+"\n".matches("\n"));
       system.out.println("表示\\n匹配换行 "+"\n".matches("\\n"));
       system.out.println("======================");
       //两者都匹配但意文不同
       system.out.println("\r".matches("\r"));
       system.out.println("\r".matches("\\r"));
       system.out.println("======================");
       //^匹配开头
       system.out.println("^匹配开头"+"hell".matches("^hell"));
       system.out.println("abc\nhell".matches("^hell"));
       //$匹配结束
       system.out.println("$匹配结束"+"my car\nabc".matches(".*ar$"));
       system.out.println("my car".matches(".*ar$"));
       //\b匹配界
       system.out.println("\\b匹配界 "+"bomb".matches("\\bbom."));
       system.out.println("bomb".matches(".*mb\\b"));
       //\b与\b互逆
       system.out.println("\\b与\\b互逆"+"abc".matches("\\babc"));

       //[a-z]匹配a到z的小写字母
       system.out.println("[a-z]匹配a到z的小写字母"+"s".matches("[a-z]"));
       system.out.println("s".matches("[a-z]"));
       system.out.println("9".matches("[0-9]"));

       //取反
       system.out.println("取反"+"s".matches("[^a-z]"));
       system.out.println("s".matches("[^a-z]"));
       system.out.println("9".matches("[^0-9]"));

       //括号的作用
       system.out.println("括号的作用"+"ab9".matches("[a-z][a-z][0-9]"));
       system.out.println("ab9bc6".matches("([a-z][a-z][0-9])+"));
       //或运算
       system.out.println("或运算"+"two".matches("two|to|2"));
       system.out.println("to".matches("two|to|2"));
       system.out.println("2".matches("two|to|2"));

       //[a-za-z]==[a-z]|[a-z]
       system.out.println("[a-za-z]==[a-z]|[a-z]"+"a".matches("[a-za-z]"));
       system.out.println("a".matches("[a-za-z]"));
       system.out.println("a".matches("[a-z]|[a-z]"));
       system.out.println("a".matches("[a-z]|[a-z]"));

       //体会一下以下四个
       system.out.println("体会一下以下四个\n==========================");
       system.out.println(")".matches("[a-za-z)]"));
       system.out.println(")".matches("[a-za-z)_-]"));
       system.out.println("_".matches("[a-za-z)_-]"));
       system.out.println("-".matches("[a-za-z)_-]"));
       system.out.println("==========================");
       system.out.println("b".matches("[abc]"));
       //[a-d[f-h]]==[a-df-h]
       system.out.println("[a-d[f-h]]==[a-df-h]"+"h".matches("[a-d[f-h]]"));
       system.out.println("a".matches("[a-z&&[def]]"));
       //取交集
       system.out.println("取交集"+"a".matches("[a-z&&[def]]"));
       system.out.println("b".matches("[[a-z]&&[e]]"));
       //取并
       system.out.println("取并"+"9".matches("[[a-c][0-9]]"));
       //[a-z&&[^bc]]==[ad-z]
       system.out.println("[a-z&&[^bc]]==[ad-z]"+"b".matches("[a-z&&[^bc]]"));
       system.out.println("d".matches("[a-z&&[^bc]]"));
       //[a-z&&[^m-p]]==[a-lq-z]
       system.out.println("[a-z&&[^m-p]]==[a-lq-z]"+"d".matches("[a-z&&[^m-p]]"));
       system.out.println("a".matches("\\p{lower}"));
       ///注意以下体会\b的用法(注意，在字符串常量中十目直接写\b表退格，所以要写\\b
       system.out.println("*********************************");
       system.out.println("aawordaa".matches(".*\\bword\\b.*"));
       system.out.println("a word a".matches(".*\\bword\\b.*"));
       system.out.println("aawordaa".matches(".*\\bword\\b.*"));
       system.out.println("a word a".matches(".*\\bword\\b.*"));
       system.out.println("a word a".matches(".*word.*"));
       system.out.println("aawordaa".matches(".*word.*"));
       //体会一下组的用法
       //组的顺序，只数"("第一个为第一组第二个是第二组……
       //第0组表示整个表达式
       system.out.println("**************test group**************");
       pattern p = pattern.compile("(([abc]+)([123]+))([-_%]+)");
       matcher m = p.matcher("aac212-%%");
       system.out.println(m.matches());
       m = p.matcher("cccc2223%_%_-");
       system.out.println(m.matches());
       system.out.println("======test group======");
       system.out.println(m.group());
       system.out.println(m.group(0));
       system.out.println(m.group(1));
       system.out.println(m.group(2));
       system.out.println(m.group(3));
       system.out.println(m.group(4));
       system.out.println(m.groupcount());
       system.out.println("========test end()=========");
       system.out.println(m.end());
       system.out.println(m.end(2));
       system.out.println("==========test start()==========");
       system.out.println(m.start());
       system.out.println(m.start(2));
       //test backslash测试反向引用？
       pattern pp1=pattern.compile("(\\d)\\1");//这个表达式表示必须有两相同的数字出现
       //\1表示引用第一个组\n表示引用第n个组(必须用\\1而不能用\1因\1在字符串中另有意义(我也知道是什么)
       matcher mm1=pp1.matcher("3345");//33匹配但45不匹配
       system.out.println("test backslash测试反向引用");
       system.out.println(mm1.find());
       system.out.println(mm1.find());

       //体会以下不同
       system.out.println("==============test find()=========");
       system.out.println(m.find());
       system.out.println(m.find(2));

       system.out.println("这是从第三个字符(index=2)开始找的group结果");
       system.out.println(m.group());
       system.out.println(m.group(0));
       system.out.println(m.group(1));
       system.out.println(m.group(2));
       system.out.println(m.group(3));
       m.reset();
       system.out.println(m.find());
       //测试一个模式可多次匹配一个串
       system.out.println("测试一个模式可多次匹配一个串");
       pattern p1 = pattern.compile("a{2}");
       matcher m1 = p1.matcher("aaaaaa");
       //这说明matcher的matchs()方法是对事个字符串的匹配，
       system.out.println(m1.matches());
       system.out.println(m1.find());
       system.out.println(m1.find());
       system.out.println(m1.find());
       system.out.println(m1.find());
       //再测试matchs()
       system.out.println("再测试matchs()");
       pattern p2 = pattern.compile("(a{2})*");
       matcher m2 = p2.matcher("aaaa");
       system.out.println(m2.matches());
       system.out.println(m2.matches());
       system.out.println(m2.matches());
       //所以find是在一个串中找有没有对应的模式，而matchs是完全匹配
       //test lookupat()
       system.out.println("test lookupat()");
       pattern p3 = pattern.compile("a{2}");
       matcher m3 = p3.matcher("aaaa");
       system.out.println(p3.flags());
       system.out.println(m3.lookingat());
       system.out.println(m3.lookingat());
       system.out.println(m3.lookingat());
       //总结以上matchs()是整个匹配且总是从头开始，find是部分匹配且从上一次匹配结束时开始找
       //lookingat也是从头开始，但是部分匹配
       system.out.println("======test 空白行========");
       system.out.println("         \n".matches("^[ \\t]*$\\n"));

       //演示appendxxx的用法
       system.out.println("=================test append====================");
       pattern p4 = pattern.compile("cat");
       matcher m4 = p4.matcher("one cat two cats in the yard");
       stringbuffer sb = new stringbuffer();
       boolean result = m4.find();
       int i=0;
       system.out.println("one cat two cats in the yard");
       while(result)
       {m4.appendreplacement(sb, "dog");
       system.out.println(m4.group());
       system.out.println("第"+i+++"次:"+sb.tostring());
       result = m4.find();
       }
       system.out.println(sb.tostring());
       m4.appendtail(sb);
       system.out.println(sb.tostring());

       //test unix_lines
       system.out.println("test unix_lines");
       pattern p5=pattern.compile(".",pattern.unix_lines);
       matcher m5=p5.matcher("\n\r");
       system.out.println(m5.find());
       system.out.println(m5.find());

       //test unix_lines
       system.out.println("test unix_lines");
       pattern p6=pattern.compile("(?d).");
       matcher m6=p6.matcher("\n\r");
       system.out.println(m6.find());
       system.out.println(m6.find());

       //test unix_lines
       system.out.println("test unix_lines");
       pattern p7=pattern.compile(".");
       matcher m7=p7.matcher("\n\r");
       system.out.println(m7.find());
       system.out.println(m7.find());

       //test case_insensitive
       system.out.println("test case_insensitive");
       pattern p8=pattern.compile("a",pattern.case_insensitive);
       matcher m8=p8.matcher("aa");
       system.out.println(m8.find());
       system.out.println(m8.find());
       system.out.println("test case_insensitive");
       pattern p9=pattern.compile("(?i)a");
       matcher m9=p9.matcher("aa");
       system.out.println(m9.find());
       system.out.println(m9.find());
       system.out.println("test case_insensitive");
       pattern p10=pattern.compile("a");
       matcher m10=p10.matcher("aa");
       system.out.println(m10.find());
       system.out.println(m10.find());

       //test comments
       system.out.println("test comments");
       pattern p11=pattern.compile(" a a #ccc",pattern.comments);
       matcher m11=p11.matcher("aa a a #ccc");
       system.out.println(m11.find());
       system.out.println(m11.find());
       system.out.println("test comments");
       pattern p12 = pattern.compile("(?x) a a #ccc");
       matcher m12 = p12.matcher("aa a a #ccc");
       system.out.println(m12.find());
       system.out.println(m12.find());

       //test multiline这个大家多试试参照我上面对多行模式的理解
       system.out.println("test multiline");
       pattern p13=pattern.compile("^.?",pattern.multiline|pattern.dotall);
       matcher m13=p13.matcher("helloohelloo,loveroo");
       system.out.println(m13.find());
       system.out.println("start:"+m13.start()+"end:"+m13.end());
       system.out.println(m13.find());
       //system.out.println("start:"+m13.start()+"end:"+m13.end());
       system.out.println("test multiline");
       pattern p14=pattern.compile("(?m)^hell.*oo$",pattern.dotall);
       matcher m14=p14.matcher("hello,worldoo\nhello,loveroo");
       system.out.println(m14.find());
       system.out.println("start:"+m14.start()+"end:"+m14.end());
       system.out.println(m14.find());
       //system.out.println("start:"+m14.start()+"end:"+m14.end());
       system.out.println("test multiline");
       pattern p15=pattern.compile("^hell(.|[^.])*oo$");
       matcher m15=p15.matcher("hello,worldoo\nhello,loveroo");
       system.out.println(m15.find());
       system.out.println("start:"+m15.start()+"end:"+m15.end());
       system.out.println(m15.find());
      // system.out.println("start:"+m15.start()+"end:"+m15.end());

       //test dotall
       system.out.println("test dotall");
       pattern p16=pattern.compile(".",pattern.dotall);
       matcher m16=p16.matcher("\n\r");
       system.out.println(m16.find());
       system.out.println(m16.find());

       system.out.println("test dotall");
       pattern p17=pattern.compile(".");
       matcher m17=p17.matcher("\n\r");
       system.out.println(m17.find());
       system.out.println(m17.find());

       system.out.println("test dotall");
       pattern p18=pattern.compile("(?s).");
       matcher m18=p18.matcher("\n\r");
       system.out.println(m18.find());
       system.out.println(m18.find());

       //test canon_eq这个是jdk的例子但我实在不明白是什么意思，向大家请教
       system.out.println("test canon_eq");
       pattern p19=pattern.compile("a\u030a",pattern.canon_eq);
       system.out.println(character.gettype('\u030a'));
       system.out.println("is"+character.isisocontrol('\u030a'));
       system.out.println("is"+character.isunicodeidentifierpart('\u030a'));
       system.out.println(character.gettype('\u00e5'));
       system.out.println("is"+character.isisocontrol('\u00e5'));
       matcher m19=p19.matcher("\u00e5");
       system.out.println(m19.matches());
       system.out.println(character.gettype('\u0085'));
       system.out.println("is"+character.isisocontrol('\u0085'));

      //注意下面三个例子体会greedy,reluctant and possessive quantifiers的不同
       pattern ppp=pattern.compile(".*foo");
       matcher mmm=ppp.matcher("xfooxxxxxxfoo");
       /**
        * greedy   quantifiers 
           x?      x, once or not at all 
           x*      x, zero or more times 
           x+      x, one or more times 
           x{n}    x, exactly n times 
           x(n,}   x, at least n times 
           x{n,m}  x, at least n but not more than m times 
           greedy quantifiers是最常用的一种，如上，它的匹配方式是先匹配尽可能多的字符，当
           这样造成整个表达式整体不能匹配时就退一个字符再试比如：
           .*foo与xfooxxxxxxfoo的匹配过程，.*先与整个输入匹配，发现这样不行，整个串不能匹配
        *  于是退最后一个字符"o"再试，还不行，再退直到把foo都退出才发现匹配于是结束。因为这个过程
        *  总是先从最大匹配开始到找到一个匹配，所以.*与之匹配的总是一个最大的，这个特点和资本家相似
        *  故名贪婪的
        */
       boolean isend=false;
       int k=0;
       system.out.println("==========");
       system.out.println("xfooxxxxxxfoo");
       while(isend==false)
       try{
           system.out.println("the:"+k++);
           system.out.println(mmm.find());
           system.out.println(mmm.end());
       }catch(exception e){
           isend=true;
       }
       isend=false;
       pattern ppp1=pattern.compile(".*?foo");
       matcher mmm1=ppp1.matcher("xfooxxxxxxfoo");
       /**
        * reluctant quantifiers 
           x??       x, once or not at all 
           x*?       x, zero or more times 
           x+?       x, one or more times 
           x{n}?     x, exactly n times 
           x(n,}?    x, at least n times 
           x{n,m}?   x, at least n but not more than m times 
           reluctant quantifiers的匹配方式正好相反，它总是先从最小匹配开始，如果这时导致
           整个串匹配失败则再吃进一个字符再试，如：
           .*?foo与xfooxxxxxxfoo的匹配过程，首先，.*与空串匹配，这时整个串匹配失败，于是
        *  再吃一个x,这时发现整个串匹配成功，当再调用find时从上次匹配结束时开始找，先吃一个
        *  空串，不行，再吃一个x，不行，……直到把中间所有x都吃掉才发现匹配成功。这种方式总
        *  是从最小匹配开始所以它能找到最多次数的匹配，但第一匹配都是最小的。它的行为有点象雇佣
        *  工人，总是尽可能少的于活，故名勉强的。
        */
       k=0;
       system.out.println("?????????????????????");
       system.out.println("xfooxxxxxxfoo");
       while(isend==false)
       try{
           system.out.println("the:"+k++);
           system.out.println(mmm1.find());
           system.out.println(mmm1.end());
       }catch(exception e){
           isend=true;
       }
       isend=false;
       pattern pp2=pattern.compile(".*+foo");
       matcher mm2=pp2.matcher("xfooxxxxxxfoo");
       /**
        * 
           possessive quantifiers 
           x?+        x, once or not at all 
           x*+        x, zero or more times 
           x++        x, one or more times 
           x{n}+      x, exactly n times 
           x(n,}+     x, at least n times 
           x{n,m}+    x, at least n but not more than m times 
           possessive quantifiers 这种匹配方式与greedy方式相似，所不同的是它不够聪明，当
           它一口吃掉所有可以吃的字符时发现不匹配则认为整个串都不匹配，它不会试着吐出几个。它的行
           为和大地主相似，贪婪但是愚蠢，所以名曰强占的。
        */

       int ii=0;
       system.out.println("+++++++++++++++++++++++++++");
       system.out.println("xfooxxxxxxfoo");
       while(isend==false)
       try{
           system.out.println("the:"+ii++);
           system.out.println(mm2.find());
           system.out.println(mm2.end());
       }catch(exception e){
           isend=true;
       }  
   } 
}