2008-01-01 22:11:16

標(biāo)簽：Java 正則表達(dá)式 筆記 學(xué)習(xí)

正則表達(dá)式是強(qiáng)大而靈活的文本處理工具，它們可以讓我們以編程的方式指定那些可以在輸入字符串中發(fā)現(xiàn)的復(fù)雜的文本模式。它提供了一種緊湊的、動(dòng)態(tài)的語(yǔ)言，能夠以完全通用的方式來(lái)解決各種字符串的處理（例如，匹配、選擇、編輯及驗(yàn)證）問(wèn)題。
創(chuàng)建正則表達(dá)式
首先從用正則表達(dá)式可能存在的構(gòu)造集中選取一個(gè)有用的子集，以此開(kāi)始學(xué)習(xí)正則表達(dá)式。用于創(chuàng)建正則表達(dá)式的構(gòu)造列表可以在java.util.regex包Pattern類中找到。


下面是一些創(chuàng)建字符類的典型方式以及一些預(yù)定義的類。



    1）\ba\w*\b  匹配以字母a開(kāi)頭的單詞-------先是某個(gè)單詞開(kāi)始處(\b)，然后是字母a,然后是任意數(shù)量的字母或數(shù)字(\w*)，最后是單詞結(jié)束處(\b)。
    2）\d+ 匹配1個(gè)或更多連續(xù)的數(shù)字。這里的+是和*類似的元字符，不同的是*匹配重復(fù)任意次(可能是0次)，而+則匹配重復(fù)1次或更多次。
    3）\b\w{6}\b 匹配剛好6個(gè)字母/數(shù)字的單詞。
3．字符轉(zhuǎn)義
    如果你想查找元字符本身的話，比如你查找．,或者*,就出現(xiàn)了問(wèn)題：你沒(méi)法指定它們，因?yàn)樗鼈儠?huì)被解釋成其它的意思。這時(shí)你就必須使用\來(lái)取消這些字符的特殊意義。因此，你應(yīng)該使用\.和\*。當(dāng)然，要查找\本身，你也得用\\.
    
    例如：www\.sina\.com匹配[url]www.sina.com[/url]，c:\\Windows匹配c:\Windows。
4．重復(fù)
    常用的限定符
    代碼/語(yǔ)法         說(shuō)明
    *             重復(fù)零次或更多次
    +             重復(fù)一次或更多次
                重復(fù)零次或一次
    {n}             重復(fù)n次
    {n,}         重復(fù)n次或更多次
    {n,m}         重復(fù)n到m次
   
    下面是一些使用重復(fù)的例子：
    Windows\d+　匹配Windows后面跟1個(gè)或更多數(shù)字
    13\d{9}　匹配13后面跟9個(gè)數(shù)字(中國(guó)的手機(jī)號(hào))
    ^\w+　匹配一行的第一個(gè)單詞(或整個(gè)字符串的第一個(gè)單詞，具體匹配哪個(gè)意思得看選項(xiàng)設(shè)置)
5．字符類
    要想查找數(shù)字，字母或數(shù)字，空白是很簡(jiǎn)單的，因?yàn)橐呀?jīng)有了對(duì)應(yīng)這些字符集合的元字符，但是如果你想匹配沒(méi)有預(yù)定義元字符的字符集合(比如元音字母a,e,i,o,u),應(yīng)該怎么辦？
   
    很簡(jiǎn)單，你只需要在中括號(hào)里列出它們就行了，像[aeiou]就匹配任何一個(gè)英文元音字母，[.?!]匹配標(biāo)點(diǎn)符號(hào)(.或?或!)(英文語(yǔ)句通常只以這三個(gè)標(biāo)點(diǎn)結(jié)束)。
   
    我們也可以輕松地指定一個(gè)字符范圍，像[0-9]代表的含意與\d就是完全一致的：一位數(shù)字，同理[a-z0-9A-Z_]也完全等同于\w（如果只考慮英文的話）。
   
    下面是一個(gè)更復(fù)雜的表達(dá)式：\(?0\d{2}[) -]?\d{8}。
   
    這個(gè)表達(dá)式可以匹配幾種格式的電話號(hào)碼，像(010)88886666，或022-22334455，或02912345678等。我們對(duì)它進(jìn)行一些分析吧：首先是一個(gè)轉(zhuǎn)義字符\(,它能出現(xiàn)0次或1次(?),然后是一個(gè)0，后面跟著2個(gè)數(shù)字(\d{2})，然后是)或-或空格中的一個(gè)，它出現(xiàn)1次或不出現(xiàn)(?)，最后是8個(gè)數(shù)字(\d{8})。不幸的是，它也能匹配010)12345678或(022-87654321這樣的“不正確”的格式。
   
6．反義
    有時(shí)需要查找不屬于某個(gè)能簡(jiǎn)單定義的字符類的字符。比如想查找除了數(shù)字以外，其它任意字符都行的情況，這時(shí)需要用到反義：
    常用的反義代碼
    代碼/語(yǔ)法     說(shuō)明
    \W             匹配任意不是字母，數(shù)字，下劃線，漢字的字符
    \S             匹配任意不是空白符的字符
    \D             匹配任意非數(shù)字的字符
    \B             匹配不是單詞開(kāi)頭或結(jié)束的位置
    [^x]         匹配除了x以外的任意字符
    [^aeiou]         匹配除了aeiou這幾個(gè)字母以外的任意字符
    例子：\S+匹配不包含空白符的字符串。
    <a[^>]+>匹配用尖括號(hào)括起來(lái)的以a開(kāi)頭的字符串。
7．替換
    好了，現(xiàn)在終于到了解決3位或4位區(qū)號(hào)問(wèn)題的時(shí)間了。正則表達(dá)式里的替換指的是有幾種規(guī)則，如果滿足其中任意一種規(guī)則都應(yīng)該當(dāng)成匹配，具體方法是用|把不同的規(guī)則分隔開(kāi)。聽(tīng)不明白？沒(méi)關(guān)系，看例子：
   
    0\d{2}-\d{8}|0\d{3}-\d{7}　這個(gè)表達(dá)式能匹配兩種以連字號(hào)分隔的電話號(hào)碼：一種是三位區(qū)號(hào)，8位本地號(hào)(如010-12345678)，一種是4位區(qū)號(hào)，7位本地號(hào)(0376-2233445)。
   
    \(0\d{2}\)[- ]?\d{8}|0\d{2}[- ]?\d{8}　這個(gè)表達(dá)式匹配3位區(qū)號(hào)的電話號(hào)碼，其中區(qū)號(hào)可以用小括號(hào)括起來(lái)，也可以不用，區(qū)號(hào)與本地號(hào)間可以用連字號(hào)或空格間隔，也可以沒(méi)有間隔。你可以試試用替換|把這個(gè)表達(dá)式擴(kuò)展成也支持4位區(qū)號(hào)的。
   
    \d{5}-\d{4}|\d{5}這個(gè)表達(dá)式用于匹配美國(guó)的郵政編碼。美國(guó)郵編的規(guī)則是5位數(shù)字，或者用連字號(hào)間隔的9位數(shù)字。之所以要給出這個(gè)例子是因?yàn)樗苷f(shuō)明一個(gè)問(wèn)題：使用替換時(shí)，順序是很重要的。如果你把它改成\d{5}|\d{5}-\d{4}的話，那么就只會(huì)匹配5位的郵編(以及9位郵編的前5位)。原因是匹配替換時(shí)，將會(huì)從左到右地測(cè)試每個(gè)分枝條件，如果滿足了某個(gè)分枝的話，就不會(huì)去管其它的替換條件了。
   
    Windows98|Windows2000|WindosXP這個(gè)例子是為了告訴你替換不僅僅能用于兩種規(guī)則，也能用于更多種規(guī)則。
8．分組
    我們已經(jīng)提到了怎么重復(fù)單個(gè)字符（直接在字符后面加上限定符就行了）；但如果想要重復(fù)多個(gè)字符又該怎么辦？你可以用小括號(hào)來(lái)指定子表達(dá)式(也叫做分組)，然后你就可以指定這個(gè)子表達(dá)式的重復(fù)次數(shù)了，你也可以對(duì)子表達(dá)式進(jìn)行其它一些操作(后面會(huì)有介紹)。
   
    (\d{1,3}\.){3}\d{1,3}是一個(gè)簡(jiǎn)單的IP地址匹配表達(dá)式。要理解這個(gè)表達(dá)式，請(qǐng)按下列順序分析它：\d{1,3}匹配1到3位的數(shù)字，(\d{1,3}\.}{3}匹配三位數(shù)字加上一個(gè)英文句號(hào)(這個(gè)整體也就是這個(gè)分組)重復(fù)3次，最后再加上一個(gè)一到三位的數(shù)字(\d{1,3})。
   
    不幸的是，它也將匹配256.300.888.999這種不可能存在的IP地址(IP地址中每個(gè)數(shù)字都不能大于255。如果能使用算術(shù)比較的話，或許能簡(jiǎn)單地解決這個(gè)問(wèn)題，但是正則表達(dá)式中并不提供關(guān)于數(shù)學(xué)的任何功能，所以只能使用冗長(zhǎng)的分組，選擇，字符類來(lái)描述一個(gè)正確的IP地址：((2[0-4]\d|25[0-5]|[01]?\d\d?)\.){3}(2[0-4]\d|25[0-5]|[01]?\d\d?)。
   
    理解這個(gè)表達(dá)式的關(guān)鍵是理解2[0-4]\d|25[0-5]|[01]?\d\d?，這里我就不細(xì)說(shuō)了，你自己應(yīng)該能分析得出來(lái)它的意義。
   
9．后向引用
    使用小括號(hào)指定一個(gè)子表達(dá)式后，匹配這個(gè)子表達(dá)式的文本(也就是此分組捕獲的內(nèi)容)可以在表達(dá)式或其它程序中作進(jìn)一步的處理。默認(rèn)情況下，每個(gè)分組會(huì)自動(dòng)擁有一個(gè)組號(hào)，規(guī)則是：從左向右，以分組的左括號(hào)為標(biāo)志，第一個(gè)出現(xiàn)的分組的組號(hào)為1，第二個(gè)為2，以此類推。
   
    后向引用用于重復(fù)搜索前面某個(gè)分組匹配的文本。例如，\1代表分組1匹配的文本。難以理解？請(qǐng)看示例：
   
    \b(\w+)\b\s+\1\b可以用來(lái)匹配重復(fù)的單詞，像go go, kitty kitty。首先是一個(gè)單詞，也就是單詞開(kāi)始處和結(jié)束處之間的多于一個(gè)的字母或數(shù)字(\b(\w+)\b)，然后是1個(gè)或幾個(gè)空白符(\s+)，最后是前面匹配的那個(gè)單詞(\1)。
   
    你也可以自己指定子表達(dá)式的組名。要指定一個(gè)子表達(dá)式的組名，請(qǐng)使用這樣的語(yǔ)法：(?<Word>\w+)(或者把尖括號(hào)換成'也行：(?'Word'\w+)),這樣就把\w+的組名指定為Word了。要反向引用這個(gè)分組捕獲的內(nèi)容，你可以使用\k<Word>,所以上一個(gè)例子也可以寫成這樣：\b(?<Word>\w+)\b\s+\k<Word>\b。
   
    使用小括號(hào)的時(shí)候，還有很多特定用途的語(yǔ)法。下面列出了最常用的一些：
   
    分組語(yǔ)法         捕獲
    (exp)             匹配exp,并捕獲文本到自動(dòng)命名的組里
    (?<name>exp)     匹配exp,并捕獲文本到名稱為name的組里，也可以寫成(?'name'exp)
    (?:exp)             匹配exp,不捕獲匹配的文本，也不給此分組分配組號(hào)
    零寬斷言
    (?=exp)             匹配exp前面的位置
    (?<=exp)         匹配exp后面的位置
    (?!exp)             匹配后面跟的不是exp的位置
    (?<!exp)             匹配前面不是exp的位置
    注釋
    (?#comment)         這種類型的組不對(duì)正則表達(dá)式的處理產(chǎn)生任何影響，用于提供注釋讓人閱讀
    已經(jīng)討論了前兩種語(yǔ)法。第三個(gè)(?:exp)不會(huì)改變正則表達(dá)式的處理方式，只是這樣的組匹配的內(nèi)容不會(huì)像前兩種那樣被捕獲到某個(gè)組里面。

12．注釋
    小括號(hào)的另一種用途是能過(guò)語(yǔ)法(?#comment)來(lái)包含注釋。例如：2[0-4]\d(?#200-249)|25[0-5](?#250-255)|[01]?\d\d?(?#0-199)。
   
    要包含注釋的話，最好是啟用“忽略模式里的空白符”選項(xiàng)，這樣在編寫表達(dá)式時(shí)能任意的添加空格，Tab，換行，而實(shí)際使用時(shí)這些都將被忽略。啟用這個(gè)選項(xiàng)后，在#后面到這一行結(jié)束的所有文本都將被當(dāng)成注釋忽略掉。
   
    例如，我們可以將前面的一個(gè)表達(dá)式寫成這樣：
   
          (?<=    # 斷言要匹配的文本的前綴
          <(\w+)> # 查找尖括號(hào)括起來(lái)的字母或數(shù)字(即HTML/XML標(biāo)簽)
          )       # 前綴結(jié)束
          .*      # 匹配任意文本
          (?=     # 斷言要匹配的文本的后綴
          <\ / \ 1>  # 查找尖括號(hào)括起來(lái)的內(nèi)容：前面是一個(gè)"/"，后面是先前捕獲的標(biāo)簽
          )       # 后綴結(jié)束
       
13．貪婪與懶惰
    當(dāng)正則表達(dá)式中包含能接受重復(fù)的限定符時(shí)，通常的行為是（在使整個(gè)表達(dá)式能得到匹配的前提下）匹配盡可能多的字符?？紤]這個(gè)表達(dá)式：a.*b，它將會(huì)匹配最長(zhǎng)的以a開(kāi)始，以b結(jié)束的字符串。如果用它來(lái)搜索aabab的話，它會(huì)匹配整個(gè)字符串a(chǎn)abab。這被稱為貪婪匹配。
   
    有時(shí)，我們更需要懶惰匹配，也就是匹配盡可能少的字符。前面給出的限定符都可以被轉(zhuǎn)化為懶惰匹配模式，只要在它后面加上一個(gè)問(wèn)號(hào)?。這樣.*?就意味著匹配任意數(shù)量的重復(fù)，但是在能使整個(gè)匹配成功的前提下使用最少的重復(fù)?，F(xiàn)在看看懶惰版的例子吧：
   
    a.*?b匹配最短的，以a開(kāi)始，以b結(jié)束的字符串。如果把它應(yīng)用于aabab的話，它會(huì)匹配aab和ab（為什么第一個(gè)匹配是aab而不是ab？簡(jiǎn)單地說(shuō)，因?yàn)檎齽t表達(dá)式有另一條規(guī)則，比懶惰／貪婪規(guī)則的優(yōu)先級(jí)更高：最先開(kāi)始的匹配最有最大的優(yōu)先權(quán)——The Match That Begins Earliest Wins）。
   
    懶惰限定符
     *?         重復(fù)任意次，但盡可能少重復(fù)
    +?         重復(fù)1次或更多次，但盡可能少重復(fù)
            重復(fù)0次或1次，但盡可能少重復(fù)
    {n,m}?     重復(fù)n到m次，但盡可能少重復(fù)
    {n,}?     重復(fù)n次以上，但盡可能少重復(fù)
   
14．平衡組/遞歸匹配
注意：這里介紹的平衡組語(yǔ)法是由.Net Framework支持的；其它語(yǔ)言／庫(kù)不一定支持這種功能，或者支持此功能但需要使用不同的語(yǔ)法。

有時(shí)我們需要匹配像( 100 * ( 50 + 15 ) )這樣的可嵌套的層次性結(jié)構(gòu)，這時(shí)簡(jiǎn)單地使用\(.+\)則只會(huì)匹配到最左邊的左括號(hào)和最右邊的右括號(hào)之間的內(nèi)容(這里我們討論的是貪婪模式，懶惰模式也有下面的問(wèn)題)。假如原來(lái)的字符串里的左括號(hào)和右括號(hào)出現(xiàn)的次數(shù)不相等，比如( 5 / ( 3 + 2 ) ) )，那我們的匹配結(jié)果里兩者的個(gè)數(shù)也不會(huì)相等。有沒(méi)有辦法在這樣的字符串里匹配到最長(zhǎng)的，配對(duì)的括號(hào)之間的內(nèi)容呢？

為了避免(和\(把你的大腦徹底搞糊涂，我們還是用尖括號(hào)代替圓括號(hào)吧?，F(xiàn)在我們的問(wèn)題變成了如何把xx <aa <bbb> <bbb> aa> yy這樣的字符串里，最長(zhǎng)的配對(duì)的尖括號(hào)內(nèi)的內(nèi)容捕獲出來(lái)？

這里需要用到以下的語(yǔ)法構(gòu)造：

(?'group') 把捕獲的內(nèi)容命名為group,并壓入堆棧
(?'-group') 從堆棧上彈出最后壓入堆棧的名為group的捕獲內(nèi)容，如果堆棧本來(lái)為空，則本分組的匹配失敗
(?(group)yes|no) 如果堆棧上存在以名為group的捕獲內(nèi)容的話，繼續(xù)匹配yes部分的表達(dá)式，否則繼續(xù)匹配no部分
(?!) 零寬負(fù)向先行斷言，由于沒(méi)有后綴表達(dá)式，試圖匹配總是失敗
如果你不是一個(gè)程序員（或者你是一個(gè)對(duì)堆棧的概念不熟的程序員），你就這樣理解上面的三種語(yǔ)法吧：第一個(gè)就是在黑板上寫一個(gè) "group"，第二個(gè)就是從黑板上擦掉一個(gè)"group"，第三個(gè)就是看黑板上寫的還有沒(méi)有"group"，如果有就繼續(xù)匹配yes部分，否則就匹配 no部分。

我們需要做的是每碰到了左括號(hào)，就在黑板上寫一個(gè)"group"，每碰到一個(gè)右括號(hào)，就擦掉一個(gè)，到了最后就看看黑板上還有沒(méi)有－－如果有那就證明左括號(hào)比右括號(hào)多，那匹配就應(yīng)該失敗。

<                         #最外層的左括號(hào)
    [^<>]*                #最外層的左括號(hào)后面的不是括號(hào)的內(nèi)容
    (
        (
            (?'Open'<)    #碰到了左括號(hào)，在黑板上寫一個(gè)"Open"
            [^<>]*       #匹配左括號(hào)后面的不是括號(hào)的內(nèi)容
        )+
        (
            (?'-Open'>)   #碰到了右括號(hào)，擦掉一個(gè)"Open"
            [^<>]*        #匹配右括號(hào)后面不是括號(hào)的內(nèi)容
        )+
    )*
    (?(Open)(?!))         #在遇到最外層的右括號(hào)前面，判斷黑板上還有沒(méi)有沒(méi)擦掉的"Open"；如果還有，則匹配失敗
>                         #最外層的右括號(hào)
平衡組的一個(gè)最常見(jiàn)的應(yīng)用就是匹配HTML,下面這個(gè)例子可以匹配嵌套的<div>標(biāo)簽：<div[^>]*>[^<>]*(((?'Open'<div[^>]*>)[^<>]*)+((?'-Open'</div>)[^<>]*)+)*(?(Open)(?!))</div>.

   
    尚未詳細(xì)討論的語(yǔ)法
     \a             報(bào)警字符(打印它的效果是電腦嘀一聲)
    \b             通常是單詞分界位置，但如果在字符類里使用代表退格
    \t             制表符，Tab
    \r             回車
    \v             豎向制表符
    \f             換頁(yè)符
    \n             換行符
    \e             Escape
    \0nn         ASCII代碼中八進(jìn)制代碼為nn的字符
    \xnn         ASCII代碼中十六進(jìn)制代碼為nn的字符
    \unnnn         Unicode代碼中十六進(jìn)制代碼為nnnn的字符
    \cN             ASCII控制字符。比如\cC代表Ctrl+C
    \A             字符串開(kāi)頭(類似^，但不受處理多行選項(xiàng)的影響)
    \Z             字符串結(jié)尾或行尾(不受處理多行選項(xiàng)的影響)
    \z             字符串結(jié)尾(類似$，但不受處理多行選項(xiàng)的影響)
    \G             當(dāng)前搜索的開(kāi)頭
    \p{name}     Unicode中命名為name的字符類，例如\p{IsGreek}
    (?>exp)         貪婪子表達(dá)式
    (?<x>-<y>exp)         平衡組
    (?im-nsx:exp)         在子表達(dá)式exp中改變處理選項(xiàng)
    (?im-nsx)             為表達(dá)式后面的部分改變處理選項(xiàng)
    (?(exp)yes|no)         把exp當(dāng)作零寬正向先行斷言，如果在這個(gè)位置能匹配，使用yes作為此組的表達(dá)式；否則使用no
    (?(exp)yes)             同上，只是使用空表達(dá)式作為no
    (?(name)yes|no)         如果命名為name的組捕獲到了內(nèi)容，使用yes作為表達(dá)式；否則使用no
    (?(name)yes)             同上，只是使用空表達(dá)式作為no