正则表达式(二)
发布时间:2020-12-13 19:51:20 所属栏目:百科 来源:网络整理
导读:转载:http://fuliang.iteye.com/blog/169946 正则表达式在处理文本方面用处非常大,最早像在Perl和awk语言中,提供了这种机制,Java在Java 2中也增加了正则表达式这个包java.util.regex。这个包为用户使用正则表达式,提供了易用而全面的支持。我的研究方向
转载:http://fuliang.iteye.com/blog/169946 正则表达式在处理文本方面用处非常大,最早像在Perl和awk语言中,提供了这种机制,Java在Java 2中也增加了正则表达式这个包java.util.regex。这个包为用户使用正则表达式,提供了易用而全面的支持。我的研究方向是web挖掘。从网页中提取内容,处理文本,当然需要正则表达式这个强大的工具了。
从这个例子我们可以看到正则表达式涉及到的两个类Matcher和Pattern,我们以后会专门讨论着连个类。现在主要看看使用正则表达式的流程: 首先使用 Pattern的一个静态的方法compile来创建Pattern对象, Patternp=Pattern.compile(regex);
然后调用Pattern的方法matcher Matcherm=p.matcher(candidate); 得到了Matcher对象,Matcher对象保存了许多匹配信息,然后可以通过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方法得到匹配的各组值, 否则find返回false. 当然这只是一般的过程,还有许多更细的方法,在以后会陆续的总结,下面我们看一下 Stringregex="baw*b"; 这个就是一个正则表达式,b,w,*都是正则表达式的meta character原字符, b表示单词的边界,w表示任意的可构成单词的字母数字,*表示前面的字母(当然可以 是更复杂的组之类的了东东)重复0次或0次以上,a当然还是a了。所以这个regex就 匹配单词开头为a的单词了。 二、下面总结一下基本的正则表达式的meta character以及它们含义: . 匹配任意一个字符 $ 匹配一行的结尾 ^ 匹配一行的开头(在[]里面表示否定) {} 定义了一个范围 [] 定义了一个字符类 () 定义了一个组 *前面出现0次以上 + 前面匹配一次以上 ?前面出现0次或一次 后面的字符不会看作metacharacter w 字母数字下划线 W 非字母数字下划线 d 单个数字 D单个非数字 | 或,二者之一 &&与操作符 b单词边界 下面看看几个简单的例子: [abc] a、b 或 c(简单类) [^abc] 任何字符,除了a、b 或 c(否定) [a-zA-Z] a 到 z 或 A 到 Z,两头的字母包括在内(范围) [a-d[m-p]] a 到 d 或 m 到 p:[a-dm-p](并集) [a-z&&[def]] d、e 或 f(交集) [a-z&&[^bc]] a 到 z,除了 b 和 c:[ad-z](减去) [a-z&&[^m-p]] a 到 z,而非 m 到 p:[a-lq-z](减去) 三、java.util.regex提供的操作接口: java.util.regex包提供了操作正则表达式的模型,整个模型优雅而简洁,只有三个类:Pattern、Matcher和 PatternSyntaxException。下面将要总结他们提供的方法,以及如何灵活应用来处理文本。 我们还是从Pattern的静态工厂方法来扩展吧: staticPatterncompile(Stringregex) 将给定的正则表达式编译到模式中,并创建Pattern对象,这个方法通常是操作正则表达式的第一步,从前面那个例子 我们也可以看到整个的流程。 在看看一个重载的compile方法: staticPatterncompile(Stringregex,intflags) 将给定的正则表达式编译到具有给定标志的模式中。 这个方法参数flags提供了一些特殊的选项来用于特殊的处理, 我们下面看看可使用的选项: UNIX_LINES:这个主要处理UNIX和其他的操作系统在行结束符不一样的问题,UNIX使用n代表一行的终止,而Windows 则使用了rn,n,r,u2028或者u0085作为一行的结束符。 CASE_INSENSITIVE:当我们在匹配的时候要忽略字符大小写时 COMMENTS:允许我们在正则表达式中使用注释,例如 Patternp=Pattern.compile("A#matchesuppercaseUS-ASCIIcharcode65",Pattern.COMMENTS); MULTILINE:表明要输入多行,他们有自己的终止字符。 Patternp=Pattern.compile("^",Pattern.MULTILINE); 如果你的输入的字符串是:This is a sentence.n So is this.. 这样我们匹配的字符时This中的T和So中的S,如果不使用MULTILINE,则只会匹配T DOTALL:使用这个选项之后metacharacter .就可以包括一行的终止字符了,如果没有这个选项, 一行的终止字符,并不会考虑在字符串之内的。 使用这个选项会降低效率 Patternp=Pattern.compile(".",Pattern.DOTALL); 如果我们输入的是Testn,则匹配的字符是5个。 UNICODE_CASE:处理UNICODE字符集,使用这个选项会降低效率 CANON_EQ:一个字符的实际存储形式是经过编码后的数字,使用CANON_EQ选项就可以匹配一个字母在各种编码了。 例如a可以匹配+00E0和U+0061U+0300 我们可以组合以上选项,只要使用|,进行按位或操作即可 Patternp= 我们还要注意点的时Java对转译字符的处理,例如我们要匹配一个数字: 我们不能使用: Patternp=Pattern.compile("d"); 而是: Patternp=Pattern.compile("d"); 另外如果regex本身形式是错误的,compile方法会抛出java.util.regex.PatternSyntaxException异常。 下面我们总结一下public Matcher matcher(CharSequence input)方法: 当我们使用compile操作,创建了Pattern对象之后,我们就可以使用Pattern对象的matcher操作,生成 matcher对象了,Matcher对象包含了许多对匹配结果集的操作,我们在总结Matcher对象的时候再说。另外 顺便提一下参数CharSequence,CharBuffer,Segment,String,StringBuffer,StringBuilder 都实现了 这个接口,所以参数可以是这些中的任一种类型了。 下面我们看看: intflags() 这个方法返回了我们前面可以设置的并且已经设置的flags选项,我们通过按位与来判断是否设置了某个选项: intflgs=myPattern.flags(); 看看一个简化过程的方法: booleanmatches(Stringregex,CharSequenceinput) 这个方法实际上是: m.matches() 过程的一个简化,我们在后面总结Matcher中的matches方法之后就会理解这个了。 想必我们经常使用把字符串提取出token变成字符串数组的String中的split方法吧,下面我们看看 类似的一个方法: public String[] split(CharSequence input) 这个方法提供了强大的功能,因为它可以使用正则表达式来作为token的分割: Patternp=newPattern.compile(",|and"); split的一个重载的版本: publicString[]split(CharSequenceinput,85); font-weight:bold">intlimit) 它指定了划分的组数,有以下三种情况: limit==0 这时候和没有limit参数的那个split效果一样 limit>0 如果你仅仅对前limit个感兴趣,你可以使用limit: String[]tmp=pattern.split("Hello,Dolly,You,Are,My,Favorite",3); limit<0 会尽可能的划分所有的组,即使分割符后面是个空字符,也要单独生成一个token:"" Patternp=Pattern.compile(","); 下次再总结Matcher类,和正则表达式的一些高级部分 (编辑:李大同) 【声明】本站内容均来自网络,其相关言论仅代表作者个人观点,不代表本站立场。若无意侵犯到您的权利,请及时与联系站长删除相关内容! |