正则表达式学习经验分析第1/2页

  当然，为了指定一种模式，使用...这种记号是不够精确的。你需要精确地指定什么样的字符排列是一个合法的匹配。当描述某种模式时，你需要使用一种特殊的语法。

  这里有一个简单例子。正则表达式
[Jj]ava.+
匹配下列形式的任何字符串：

首字母是J或j 
后续的三个字母是ava 
字符串的剩余部分由一个或多个任意字符组成 

  例如，字符串“javaness”匹配这个特殊的正则表达式，但是字符串“Core Java”却不匹配。

  如你所见，你需要了解一点语法来理解正则表达式的含意。幸运的是对于大多数的用途，使用少量的简单构造（straightforward constructs）就已足够。

字符类是可选自符的集合，用‘['封装，比如[Jj],[0-9],[A-Za-z]或[^0-9]。这里的-表示范围（Unicode落在两个边界之间的所有字符），^表示求补（指定字符外的所有字符）。 
有许多预定以的字符类，像\d（数字）或\p{Sc}（Unicode货币符号），见表12-8和12-9。 
大多数字符与它们自身匹配，像上例中的ava字符。 
符号.匹配任何字符（可能行终止符（line terminators）除外，这依赖于标识设置（flag settings）） 
\用作转义符，比如\.匹配一个句点，\\匹配一个反斜杠。 
^和$分别匹配行头和行尾 
如果X和Y都是正则表达式，则XY表示“X的匹配后面跟着Y的匹配”。X|Y表示“任何X或Y的匹配” 
可以将量词（quantifier）用到表达式中，X+ 表示X重复1次或多次，X* 表示X重复0次或多次，X? 表示X重复0次或1次 
默认地，一个量词总是与使总体成功匹配的最长的可能重复匹配。可以加上后缀？（称为reluctant或stingy 匹配，用以匹配最小的重复数），和+（称为possessive或贪婪匹配，用以即使在总体匹配失败的情况下也匹配最大的重复数）来更改这种属性。 


例如，字符串cab匹配[a-z]*ab，但不匹配[a-z]*+ab。第一种情况下，[a-z]*只匹配字符c，因此字符ab正好与模式的剩余部分匹配。但是贪婪版本[a-z]*+就与字符cab匹配，模式的剩余部分ab就匹配失败（，这样总体也就匹配失败）。

可以使用分组来定义子表达式。将分组封装在（）中，如([+-]?)([0-9]+)。然后你可以让模式匹配符（the pattern matcher）返回每个分组的匹配，或者使用\n来回引分组（refer back to a group with \n），其中n是组号（以\1起始） 

  这里有一个稍微有点复杂却又很有用的正则表达式－－它用来描述十进制和十六进制的整数。
[+-]?[0-9]+|0[Xx][0-9A-Fa-f]+

  不幸的是，在使用正则表达式的各种程序和库之间，它的语法还没有完全标准化。对基本的构造上已达成了共识，但在细节方面有许多令人“抓狂”的区别（many maddening differences）。Java的正则表达式类使用了与Perl语言类似的语法，但也不尽相同。表12-8显示了Java语法的所有正则表达式构造。要了解更多关于正则表达式的信息，请参考Pattern类的API文档，或者Jeffrey E. F. Friedl的著作《Mastering Regular Expressions》(O'Reilly and Associates, 1997)（刚去第二书店查了一下，东南大学出版社已经引入了其第二版，影印）

表12-8 正则表达式语法

--------------------------------------------------------------------------------
语法                                       解释

--------------------------------------------------------------------------------
字符
c                                         字符c
\unnnn, \xnn, \0n, \0nn, \0nnn       带有十六或八进制值的代码单元

\0n                             八进制0n代表的字符（0<=n<=7）

\0nn                           八进制0nn代表的字符(0<=n<=7)

\0mnn                         八进制0mnn代表的字符(0<=m<=3,0<=n<=7)

\xnn                           十六进制 0xnn所代表的字符

\uhhhh                         十六进制 0xhhhh所代表的字符

\t, \n, \r, \f, \a, \e                         控制字符，依次是制表符，换行符，回车符，换页符，报警符和转义符
\cc                                       控制字符中出现的相应字符c

--------------------------------------------------------------------------------
字符类
[C1C2. . .]               C1、C2……中的任何字符。Ci可以是字符，字符范围（C1-C2）或者字符类。
[^. . .]                     字符类的补集
[ . . . && . . .]             两个字符类的交集

--------------------------------------------------------------------------------
预定义字符类
.                           除行终止符外的任何字符（如果DOTALL标志置位，则表示任何字符）
\d                         数字[0-9]
\D                         非数字[^0-9]
\s                         空白字符[\t\n\r\f\x0B]
\S                         非空白字符
\w                         单词字符[a-zA-Z0-9_]
\W                       非单词字符
\p{name}                 一个指定的字符类，见表12-9
\P{name}               指定字符类的补集

--------------------------------------------------------------------------------
边界匹配符
^ $                       输入的开头和结尾(在多行模式(multiline mode)下是行的开头和结尾)
\b                         单词边界
\B                         非单词边界
\A                         输入的开头
\z                         输入的结尾
\Z                         除最后行终止符之外的输入结尾
\G                       上个匹配的结尾

--------------------------------------------------------------------------------
量词
X?                         可选的X（即X可能出现，也可能不出现）
X*                         X，可以重复0次或多次
X+                         X，可以重复1次或多次
X{n} X{n,} X{n,m}       X重复n次，至少重复n次，重复n到m次

--------------------------------------------------------------------------------
量词后缀
?                       设默认（贪婪）匹配为reluctant匹配
+                       设默认（贪婪）匹配为possessive匹配

--------------------------------------------------------------------------------
集合操作
XY                       X的匹配后面跟着Y的匹配
X|Y                       X或Y的匹配

--------------------------------------------------------------------------------
分组
(X)                     匹配X并且在一个自动计数的分组中捕获它
\n                       与第n个分组的匹配

--------------------------------------------------------------------------------
转义
\c                       字符c（必须不是字母）
\Q...\E                   逐字地引用...
（？...）               特殊构造，看Pattern类的API

--------------------------------------------------------------------------------

  正则表达式的最简单使用是测试一个特殊的字符串是否与之匹配。这里有一个Java写的测试程序。首先从表示正则表达式的字符串构造一个Pattern对象。然后从该模式获得一个Matcher对象，并且调用它的matches()方法：

Pattern pattern = Pattern.compile(patternString);

Matcher matcher = pattern.matcher(input);

if (matcher.matches()) . . .


  表12.9 预定义的字符类名（Predefined Character Class Names）

--------------------------------------------------------------------------------
Lower                 小写的ASII字符[a-z]
Upper                 大写的ASCII字符[A-Z]
Alpha                 ASCII字母[A-Za-z]
Digit                   ASCII 数字 [0-9]
Alnum                 ASCII 字母或数字[A-Za-z0-9]
Xdigit                 十六进制数字[0-9A-Fa-f] 
Print or Graph       可打印的ASCII字符[\x21-\x7E]
Punct                 非字母或数字ASCII [\p{Print}&&\P{Alnum}] 
ASCII                 所有ASCII字符 [\x00-\x7F]
Cntrl                 ASCII控制字符[\x00-\x1F]
Blank                 空格符或制表符[ \t]
Space                 空白符 [ \t\n\r\f\0x0B]
javaLowerCase     取决于Character.isLowerCase()的小写字符
javaUpperCase     取决于Character.isUpperCase()的大写字符
javaWhitespace   取决于Character.isWhitespace()的空白符
javaMirrored         取决于Character.isMirrored()的Mirrored（？） 
InBlock               这里的Block是unicode字符的块名，用空格隔开，比如BasicLatin 或 *n。块名列表                       参考http://www.unicode.org
Category 或InCategory   这里的Category是Unicode字符的种类名，比如L（字母）或者Sc（货币符号）。种类                           名列表参考http://www.unicode.org 

--------------------------------------------------------------------------------

  matcher的输入可以是实现CharSequence接口的任何类对象，像String，StringBuilder或CharBuffer。

  当编译模式时，可以设置一个或多个标志，例如

Pattern pattern = Pattern.compile(patternString,

Pattern.CASE_INSENSITIVE + Pattern.UNICODE_CASE);


下面六个标志都是支持的：

CASE_INSENSITIVE：匹配字符时与大小写无关，该标志默认只考虑US ASCII字符。

UNICODE_CASE：当与CASE_INSENSITIVE结合时，使用Unicode字母匹配

MULTILINE：^和$匹配一行的开始和结尾，而不是整个输入

UNIX_LINES： 当在多行模式下匹配^和$时，只将'\n'看作行终止符

DOTALL: 当使用此标志时，.符号匹配包括行终止符在内的所有字符

CANON_EQ: 考虑Unicode字符的规范等价


  如果正则表达式包含分组，Matcher对象能够揭示分组边界。方法

int start(int groupIndex)

int end(int groupIndex)

返回某个特殊分组的起始索引和结尾后索引（past-the-end index ）。
通过调用String group(int groupIndex)，你可以简单地得到匹配的字符串。
第0个分组代表所有的分组，第一个实际分组的索引是1。调用groupCount来获得总的分组数。

  使用开放圆括号来安排嵌套分组。例如，给定模式((1?[0-9]):([0-5][0-9]))[ap]m，并且输入11:59am,Matcher对象报告下列分组
((1?[0-9]):([0-5][0-9]))[ap]m
并输入
11:59am
matcher报告下列分组


--------------------------------------------------------------------------------
分组索引 起始 结束 字符串

--------------------------------------------------------------------------------
0         0       7     11;59am
1         0       5     11:59
2         0       2     11
3         3       5     59

--------------------------------------------------------------------------------

12下一页阅读全文