彻底研究Java中的正则表达式

1/5/2008来源:Java教程人气:5120


  /*以下是我最近研究正则表达式的成果希望能对大家有帮助。其中也有我碰到的不明白之处,各位有精通的请发mail给我讲讲。还有有谁对javascript的正则表达式精通请给大家发一下吧。这些东东都是Javadoc上有的,还有一些是我在java.sun.com/docs/books/tutorial/extra/regex/index.Html上看到的,我建议对正则表达式感爱好的不妨上去看看,很不错。
  */
  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:
  * 最近在工作中经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.
  *   假如使用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_LINESPattern.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,但要注重这个标志只是对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_INSENSITIVEUNICODE_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 = "";
  //注重:\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$"));
  System.out.println("my car".matches(".*ar$"));