我的研究方向是web挖掘。從網頁中提取內容,處理文本,當然需要正則表達式這個強大的工具了。
一、首先我們看一下怎麼使用正則表達式的一個例子:
A Matcher examines the results of applying a pattern.
我們希望從這句話中找到所有開頭爲a的單詞。
當然這只是一個簡單的例子,你可以使用String提供的split方法,得到單詞數組,然後遍歷各個單詞看是否是否開頭爲a
我們現在看看怎麼使用正則表達式來處理這個問題:
import java.util.regex.*; public class FindA{ public static void main(String args[]) throws Exception{ String candidate ="A Matcher examines the results of applying a pattern."; String regex = "\\ba\\w*\\b"; Pattern p = Pattern.compile(regex); Matcher m = p.matcher(candidate); String val = null; System.out.println("INPUT: " + candidate); System.out.println("REGEX: " + regex +"\r\n"); while (m.find()){ val = m.group(); System.out.println("MATCH: " + val); } if (val == null) { System.out.println("NO MATCHES: "); } } }
從這個例子我們可以看到正則表達式涉及到的兩個類Matcher和Pattern,我們以後會專門討論着連個類。現在主要看看使用正則表達式的流程:
首先使用Pattern的一個靜態的方法compile來創建Pattern對象,
Pattern p = Pattern.compile(regex);
然後調用Pattern的方法matcher
Matcher m = p.matcher(candidate);
得到了Matcher對象,Matcher對象保存了許多匹配信息,然後可以通過find()方法查找匹配的部分,如果有匹配的部分,返回真,使用m.group方法得到匹配的各組值,
否則find返回false.
當然這只是一般的過程,還有許多更細的方法,在以後會陸續的總結,下面我們看一下
String regex = "\\ba\\w*\\b";
這個就是一個正則表達式,b,w,*都是正則表達式的meta character原字符,
\b表示單詞的邊界,w表示任意的可構成單詞的字母數字,*表示前面的字母(當然可以是更復雜的組之類的了東東)重複0次或0次以上,
a當然還是a了。所以這個regex就匹配單詞開頭爲a的單詞了。
<span class="STYLE1">二、下面總結一下基本的正則表達式的meta character以及它們含義:</span>
.匹配任意一個字符 $ 匹配一行的結尾 ^ 匹配一行的開頭(在[]裏面表示否定)
{} 定義了一個範圍 [] 定義了一個字符類 () 定義了一個組
*前面出現0次以上 + 前面匹配一次以上 ?前面出現0次或一次
\ 後面的字符不會看作metacharacter \w 字母數字下劃線 \W 非字母數字下劃線
\d 單個數字 \D單個非數字 | 或,二者之一 &&與操作符 \b單詞邊界
下面看看幾個簡單的例子:
[abc] a、b 或 c(簡單類)
[^abc]
任何字符,除了a、b 或 c(否定)
[a-zA-Z] a 到 z 或 A 到 Z,兩頭的字母包括在內(範圍)
[a-d[m-p]] a 到 d 或 m 到 p:[a-dm-p](並集)
[a-z&&[def]] d、e 或 f(交集)
[a-z&&[^bc]] a 到 z,除了 b 和 c:[ad-z](減去)
[a-z&&[^m-p]] a 到 z,而非 m 到 p:[a-lq-z](減去)
<span class="STYLE1">三、java.util.regex提供的操作接口:</span>
java.util.regex包提供了操作正則表達式的模型,整個模型優雅而簡潔,只有三個類:Pattern、Matcher和
PatternSyntaxException。下面將要總結他們提供的方法,以及如何靈活應用來處理文本。
我們還是從Pattern的靜態工廠方法來擴展吧:
static Pattern compile(String regex)
??? 將給定的正則表達式編譯到模式中,並創建Pattern對象,這個方法通常是操作正則表達式的第一步,從前面那個例子
我們也可以看到整個的流程。
在看看一個重載的compile方法:
static Pattern compile(String regex, int flags)
將給定的正則表達式編譯到具有給定標誌的模式中。 這個方法參數flags提供了一些特殊的選項來用於特殊的處理,
我們下面看看可使用的選項:
UNIX_LINES:這個主要處理UNIX和其他的操作系統在行結束符不一樣的問題,UNIX使用\n代表一行的終止,而Windows
則使用了\r\n,\n,\r,\u2028或者\u0085作爲一行的結束符。
CASE_INSENSITIVE:當我們在匹配的時候要忽略字符大小寫時
COMMENTS:允許我們在正則表達式中使用註釋,例如
Pattern p =Pattern.compile("A #matches uppercase US-ASCII char code 65",Pattern.COMMENTS);
MULTILINE:表明要輸入多行,他們有自己的終止字符。 Pattern p = Pattern.compile("^.", Pattern.MULTILINE);
如果你的輸入的字符串是:This is a sentence.\nSo is this.. 這樣我們匹配的字符是This中的T和So中的S,如果不使用MULTILINE,則只會匹配T
程序:
import java.util.regex.*; public class Multiline{ public static void main(String args[]) throws Exception{ String candidate ="This is a sentence.\nSo is this.."; String regex = "^."; Pattern p = Pattern.compile("^.", Pattern.MULTILINE); //Pattern p = Pattern.compile(regex,Pattern.MULTILINE); Matcher m = p.matcher(candidate); String val = null; System.out.println("INPUT: " + candidate); System.out.println("REGEX: " + regex +"\r\n"); while (m.find()){ val = m.group(); System.out.println("MATCH: " + val); } if (val == null) { System.out.println("NO MATCHES: "); } } }
DOTALL:使用這個選項之後metacharacter .就可以包括一行的終止字符了,如果沒有這個選項, 一行的終止字符,並不會考慮在字符串之內的。 使用這個選項會降低效率
Pattern p = Pattern.compile(".", Pattern.DOTALL);
如果我們輸入的是Test\n,則匹配的字符是5個。
我們可以組合以上選項,只要使用|,進行按位或操作即可
Pattern p =
Pattern.compile("t # a compound flag example",Pattern.CASE_INSENSITIVE | Pattern.UNICODE_CASE|Pattern.COMMENT);
我們還要注意點的是Java對轉譯字符\的處理,例如我們要匹配一個數字: 我們不能使用:
Pattern p = Pattern.compile("\d");
而是: Pattern p = Pattern.compile("\\d");
另外如果regex本身形式是錯誤的,compile方法會拋出java.util.regex.PatternSyntaxException異常。
下面我們總結一下public Matcher matcher(CharSequence input)方法:
當我們使用compile操作,創建了Pattern對象之後,我們就可以使用Pattern對象的matcher操作,生成 matcher對象了,Matcher對象包含了許多對匹配結果集的操作,我們在總結Matcher對象的時候再說。另外 順便提一下參數CharSequence,CharBuffer, Segment, String, StringBuffer, StringBuilder 都實現這個接口,所以參數可以是這些中的任一種類型了。
下面我們看看:
public int flags()
這個方法返回了我們前面可以設置的並且已經設置的flags選項,我們通過按位與來判斷是否設置了某個選項: int flgs = myPattern.flags();
boolean isUsingCommentFlag =( Pattern.COMMENTS == (Pattern.COMMENTS & flgs)) ;
看看一個簡化過程的方法:
public static boolean matches (String regex,CharSequence input)
這個方法實際上是:
Pattern p = Pattern.compile(regex);
Matcher m = p.matcher(candidate);
m.matches()
過程的一個簡化,我們在後面總結Matcher中的matches方法之後就會理解這個了。 想必我們經常使用把字符串提取出token變成字符串數組的String中的split方法吧,下面我們看看類似的一個方法:
public String[] split(CharSequence input)
這個方法提供了強大的功能,因爲它可以使用正則表達式來作爲token的分割:
Pattern p = new Pattern.compile(",|and");
String fruits[] = p.split("apple,banana and orange");
split的一個重載的版本: public String[] split(CharSequence input, int limit)
它指定了劃分的組數,有以下三種情況: limit==0
這時候和沒有limit參數的那個split效果一樣
limit>0
如果你僅僅對前limit個感興趣,你可以使用limit:
String[] tmp = pattern.split("Hello, Dolly, You, Are, My, Favorite",3);
//tmp[0] is "Hello",
// tmp[1] is "Dolly";
//tmp[2] is "You, Are, My, Favorite";
limit<0
會儘可能的劃分所有的組,即使分割符後面是個空字符,也要單獨生成一個token:""
Pattern p = Pattern.compile(",");
String temp[] = p.split("Hello,Dolly,", -1);
//temp[]={"Hello","Dolly",""}