揭开正则表达式的神秘面纱及 Java 对正则表达式的支持

引言

正则表达式(regular expression)就是用一个字符串来描述一个特征,然后去验证另一个字符串是否复合这个特征。比如 表达式 ab+ 描述的特征是一个 a 和任意个 b,那么 ababbabbbbb 都符合这个特征。

正则表达式可以用来:

  1. 验证字符串是否复合指定特征,比如验证是否是合法的邮件地址。
  2. 用来查找字符串,从一个长的文本中查找符合指定特征的字符串,比如查找固定字符串更加灵活方便。
  3. 用来替换,比普通的替换更强大。

正则表达式学习起来其实是很简单的,不多的几个较为抽象的概念也很容易理解。之所以很多人感觉正则表达式比较复杂,一方面是因为大多数的文档没有做到由浅入深的讲解,概念上没有注意先后顺序,给读者的理解带来困难;另一方面,各种引擎自带的文档一般都要介绍它特有的功能,然而这部分特有的功能并不是我们首先要理解的。

文章中的每一个距离,都可以点击进入到测试页面进行测试。闲话少说,开始。

正则表达式规则

普通字符

字母、数字、汉字、下划线、以及后面章节中没有特殊定义的标点符号,都是普通字符。表达式中的普通字符,在匹配一个字符串的时候,匹配与之相同的一个字符。

举例 1:表达式 c,在匹配字符串 abcde时,匹配结果是:成功;匹配到的内容是 c;匹配到的位置是:开始于 2,结束于 3.(注:下标从 0 开始还是从 1 开始,因当前编程语言的不同而可能不同)。

举例 2:表达式 bcd,在匹配字符串 abcde 时,匹配结果是:成功;匹配到的内容是:bcd;匹配到的位置是:开始于 1,结束于 4。

简单的转义字符

一些不便书写的字符,采用在前面加 \ 的方法。这些字符其实我们都已经熟知了。

表达式可匹配
r,n代表回车和换行符
t制表符
\代表 "" 本身

还有其他一些在后边章节中有特殊用处的标点符号,在前面加 \ 后,就代表该符号本身。比如:^,$ 都有特殊意义,如果要匹配字符串中的 ^$ 字符,则表达式就需要写成 \^\$

表达式可匹配
^匹配 ^ 符号本身
$匹配 $ 符号本身
.匹配小数点(.)本身

这些转义字符的匹配方法与普通字符是类似的。也是匹配与之相同的一个字符。

举例 1:表达式 \$d,在匹配字符串 abc$de 时,匹配结果是:成功;匹配到的内容是:$d;匹配到的位置是:开始于 3,结束于 5。

能够于“多种字符”匹配的表达式

正则表达式中的一些表示方法,可以匹配多种字符其中的任意一个字符。比如,表达式 \d 可以匹配任意一个数字。虽然可以匹配其中任意字符,但是只能是一个,不是多个。就好比玩扑克牌的时候,大小王可以代替任意一张牌,但只能代替一张牌。

表达式可匹配
d任意一个数字,0~9 中的任意一个
w任意一个字母或数字或下划线,也就是 A~Z,a~z,0~9,_ 中任意一个
s包括空格、制表符、换页符等空白字符的其中任意一个
.小数点可以匹配除了换行符(n)以外的任意一个字符

举例 1:表达式 \d\d,在匹配 abc123 时,匹配的结果是:成功;匹配到的内容是:12;匹配到的位置是:开始于 3,结束于 5。

举例 2:表达式 a.\d,在匹配 aaa100 时,匹配的结果是:成功;匹配到的内容是:aa1;匹配到的位置是:开始于 1,结束于 4。

自定义能够匹配“多种字符”的表达式

使用方括号 [ ] 包含一些列字符,能够匹配其中任意一个字符。用 1 包含一系列字符,则能够匹配其中字符之外的任意一个字符。同样的道理,虽然可以匹配其中任意一个,但是只能是一个,不是多个。

表达式可匹配
[ab5@]匹配 "a" 或 "b" 或 "5" 或 "@"
2匹配 "a","b","c" 之外的任意一个字符
[f-k]匹配 "f"~"k" 之间的任意一个字母
3匹配 "A"~"F","0"~"3" 之外的任意一个字符

举例1:表达式 [bcd][bcd] 匹配 abc123 时,匹配的结果是:成功;匹配到的内容是:bc;匹配到的位置是:开始于1,结束于3。

举例2:表达式 [^abc] 匹配 abc123 时,匹配的结果是:成功;匹配到的内容是:1;匹配到的位置是:开始于3,结束于4。

修饰匹配次数的特殊符号

前面章节中讲到的表达式,无论是只能匹配一种字符的表达式,还是可以匹配多种字符其中任意一个的表达式,都只能匹配一次。如果使用表达式再加上修饰匹配次数的特殊符号,那么不用重复书写表达式就可以重复匹配。

使用方法是:次数修饰放在被修饰的表达式后边。比如:[bcd][bcd] 可以写成 [bcd]{2}

表达式作用
{n}表达式重复n次,比如: "w{2}" 相当于 "ww";"a{5}" 相当于 "aaaaa"
{m,n}表达式至少重复m次,最多重复n次,比如:"ba{1,3}"可以匹配 "ba"或"baa"或"baaa"
{m,}表达式至少重复m次,比如:"wd{2,}"可以匹配 "a12","_456","M12344"...
?匹配表达式0次或者1次,相当于 {0,1},比如:"a[cd]?"可以匹配 "a","ac","ad"
+表达式至少出现1次,相当于 {1,},比如: "a+b"可以匹配 "ab","aab","aaab"...
表达式不出现或出现任意次,相当于 {0,},比如: "^b"可以匹配 "b","^^^b"...

举例1:表达式 \d+\.?\d* 在匹配 It costs $12.5 时,匹配的结果是:成功;匹配到的内容是:12.5;匹配到的位置是:开始于10,结束于14。

举例2:表达式 go{2,8}gle 在匹配 Ads by goooooogle 时,匹配的结果是:成功;匹配到的内容是:goooooogle;匹配到的位置是:开始于7,结束于17。

其他一些代表抽象意义的特殊符号

一些符号在表达式中代表抽象的特殊意义:

表达式作用
^与字符串开始的地方匹配,不匹配任何字符
$与字符串结束的地方匹配,不匹配任何字符
b匹配一个单词边界,也就是单词和空格之间的位置,不匹配任何字符

进一步的文字说明仍然比较抽象,因此,举例帮助大家理解。

举例1:表达式 ^aaa 在匹配 xxx aaa xxx 时,匹配结果是:失败。因为 ^ 要求与字符串开始的地方匹配,因此,只有当 aaa 位于字符串的开头的时候,^aaa 才能匹配,比如:aaa xxx xxx

举例2:表达式 aaa$ 在匹配 xxx aaa xxx 时,匹配结果是:失败。因为 $ 要求与字符串结束的地方匹配,因此,只有当 aaa 位于字符串的结尾的时候,aaa$ 才能匹配,比如:xxx xxx aaa

举例3:表达式 .\b. 在匹配 @@@abc 时,匹配结果是:成功;匹配到的内容是:@a;匹配到的位置是:开始于2,结束于4。

进一步说明:\b^$ 类似,本身不匹配任何字符,但是它要求它在匹配结果中所处位置的左右两边,其中一边是 \w 范围,另一边是 非 \w 的范围。

举例4:表达式 \bend\b 在匹配 weekend,endfor,end 时,匹配结果是:成功;匹配到的内容是:end;匹配到的位置是:开始于15,结束于18。

一些符号可以影响表达式内部的子表达式之间的关系:

表达式作用
|左右两边表达式之间 "或" 关系,匹配左边或者右边
( )(1). 在被修饰匹配次数的时候,括号中的表达式可以作为整体被修饰 (2). 取匹配结果的时候,括号中的表达式匹配到的内容可以被单独得到

举例5:表达式 Tom|Jack 在匹配字符串 I'm Tom, he is Jack 时,匹配结果是:成功;匹配到的内容是:Tom;匹配到的位置是:开始于4,结束于7。匹配下一个时,匹配结果是:成功;匹配到的内容是:Jack;匹配到的位置时:开始于15,结束于19。

举例6:表达式 (go\s*)+ 在匹配 Let's go go go! 时,匹配结果是:成功;匹配到内容是:go go go;匹配到的位置是:开始于6,结束于14。

举例7:表达式 ¥(\d+\.?\d*) 在匹配 $10.9,¥20.5 时,匹配的结果是:成功;匹配到的内容是:¥20.5;匹配到的位置是:开始于6,结束于10。单独获取括号范围匹配到的内容是:20.5

正则表达式中的一些高级规则

匹配次数中的贪婪与非贪婪

在使用修饰匹配次数的特殊符号时,有几种表示方法可以使同一个表达式能够匹配不同的次数,比如:{m,n}, {m,}, ?, *, +,具体匹配的次数随被匹配的字符串而定。这种重复匹配不定次数的表达式在匹配过程中,总是尽可能多的匹配。比如,针对文本 dxxxdxxxd,举例如下:

表达式匹配结果
(d)(w+)"w+" 将匹配第一个 "d" 之后的所有字符 "xxxdxxxd"
(d)(w+)(d)"w+" 将匹配第一个 "d" 和最后一个 "d" 之间的所有字符 "xxxdxxx"。虽然 "w+" 也能够匹配上最后一个 "d",但是为了使整个表达式匹配成功,"w+" 可以 "让出" 它本来能够匹配的最后一个 "d"

由此可见,\w+ 在匹配的时候,总是尽可能多的匹配符合它规则的字符。虽然第二个举例中,它没有匹配最后一个 d,但那也是为了让整个表达式能够匹配成功。同理,带 *{m,n} 的表达式都是尽可能地多匹配,带 ? 的表达式在可匹配可不匹配的时候,也是尽可能的 要匹配。这 种匹配原则就叫作 "贪婪" 模式 。

非贪婪模式:
在修饰匹配次数的特殊符号后再加上一个 ? 号,则可以使匹配次数不定的表达式尽可能少的匹配,使可匹配可不匹配的表达式,尽可能的 不匹配。这种匹配原则叫作 非贪婪 模式,也叫作 勉强 模式。如果少匹配就会导致整个表达式匹配失败的时候,与贪婪模式类似,非贪婪模式会最小限度的再匹配一些,以使整个表达式匹配成功。举例如下,针对文本 dxxxdxxxd 举例:

表达式匹配结果
(d)(w+?)"w+?" 将尽可能少的匹配第一个 "d" 之后的字符,结果是:"w+?" 只匹配了一个 "x"
(d)(w+?)(d)为了让整个表达式匹配成功,"w+?" 不得不匹配 "xxx" 才可以让后边的 "d" 匹配,从而使整个表达式匹配成功。因此,结果是:"w+?" 匹配 "xxx"

更多的情况,举例如下:

举例1:表达式 <td>(.*)</td> 与字符串 <td><p>aa</p></td> <td><p>bb</p></td> 匹配时,匹配的结果是:成功;匹配到的内容是 <td><p>aa</p></td> <td><p>bb</p></td> 整个字符串, 表达式中的 </td> 将与字符串中最后一个 </td> 匹配。

举例2:相比之下,表达式 <td>(.*?)</td> 匹配举例1中同样的字符串时,将只得到 <td><p>aa</p></td>, 再次匹配下一个时,可以得到第二个 <td><p>bb</p></td>

反向引用 1,2...

表达式在匹配时,表达式引擎会将小括号 () 包含的表达式所匹配到的字符串记录下来。在获取匹配结果的时,小括号包含的表达式所匹配到的字符串可以单独获取。这一点,在前面的举例中,已经多次展示了。在实际应用场合中,当用某种边界来查找,而所要获取的内容又不包含边界时,必须使用小括号来指定所要的范围,比前面的\<td\>(.*?)\</td\>

其实,小括号包含的表达式所匹配到的字符串 不仅是在匹配结束后才可以使用,在匹配过程中也可以使用。表达式后边的部分,可以引用前面 括号内的子匹配已经匹配到的字符串。引用方法是 \ 加上一个数字。\1 引用第1对括号内匹配到的字符串,\2 引用第2对括号内匹配到的字符串……以此类推,如果一对括号内包含另一对括号,则外层的括号先排序号。换句话说,哪一对的左括号 ( 在前,那这一对就先排序号。

举例如下:

举例1:表达式 "('|")(.*?)(1)" 在匹配 " 'Hello', "World" " 时,匹配结果是:成功;匹配到的内容是:" 'Hello' "。再次匹配下一个时,可以匹配到 " "World" "。

举例2:表达式 "(w)1{4,}" 在匹配 "aa bbbb abcdefg ccccc 111121111 999999999" 时,匹配结果是:成功;匹配到的内容是 "ccccc"。再次匹配下一个时,将得到 999999999。这个表达式要求 "w" 范围的字符至少重复5次,注意与 "w{5,}" 之间的区别。

举例3:表达式 "<(w+)s(w+(=('|").?4)?s)>.*?</1>" 在匹配 "<td id='td1' style="bgcolor:white"></td>" 时,匹配结果是成功。如果 "<td>" 与 "</td>" 不配对,则会匹配失败;如果改成其他配对,也可以匹配成功。

预搜索,不匹配;反向预搜索,不匹配

前面的章节中,我讲到了几个代表抽象意义的特殊符号:^$\b。它们都有一个共同点,那就是:他们本身不匹配任何字符,只是对字符串的两头或者字符串之间的缝隙附加了一个条件。理解到这个概念以后,本节将继续介绍另外一种对两头或者缝隙附加条件的,更加灵活的表示方法。

正像预搜索:"(?=xxxxx)","(?!xxxxx)"

格式:"(?=xxxxx)",在被匹配的字符串中,它对所处的缝隙或者两头附加的条件是:所在缝隙的右侧,必须能够匹配上 xxx 这部分的表达式。因为它只是在此作为这个缝隙上附加的条件,所以它并不影响后边的表达式去真正匹配这个缝隙之后的字符。这就类似 \b,本身不匹配任何字符。\b 只是将所在缝隙之前、之后的字符取来进行了一下判断,不会影响后边的表达式来真正的匹配。

举例1:表达式 "Windows (?=NT|XP)" 在匹配 "Windows 98, Windows NT, Windows 2000" 时,将只匹配 "Windows NT" 中的 "Windows ",其他的 "Windows " 字样则不被匹配。

举例2:表达式 "(w)((?=111)(1))+" 在匹配字符串 "aaa ffffff 999999999" 时,将可以匹配6个"f"的前4个,可以匹配9个"9"的前7个。这个表达式可以读解成:重复4次以上的字母数字,则匹配其剩下最后2位之前的部分。当然,这个表达式可以不这样写,在此的目的是作为演示之用。

格式:"(?!xxxxx)",所在缝隙的右侧,必须不能匹配 xxxxx 这部分表达式。

举例3:表达式 "((?!bstopb).)+" 在匹配 "fdjka ljfdl stop fjdsla fdj" 时,将从头一直匹配到 "stop" 之前的位置,如果字符串中没有 "stop",则匹配整个字符串。

举例4:表达式 "do(?!w)" 在匹配字符串 "done, do, dog" 时,只能匹配 "do"。在本条举例中,"do" 后边使用 "(?!w)" 和使用 "b" 效果是一样的。

反向预搜索:"(?<=xxxxx)","(?<!xxxxx)"

这两种格式的概念和正向预搜索是类似的,反向预搜索要求的条件是:所在缝隙的 "左侧",两种格式分别要求必须能够匹配和必须不能够匹配指定表达式,而不是去判断右侧。与 "正向预搜索" 一样的是:它们都是对所在缝隙的一种附加条件,本身都不匹配任何字符。

举例5:表达式 "(?<=d{4})d+(?=d{4})" 在匹配 "1234567890123456" 时,将匹配除了前4个数字和后4个数字之外的中间8个数字。由于 JScript.RegExp 不支持反向预搜索,因此,本条举例不能够进行演示。很多其他的引擎可以支持反向预搜索,比如:Java 1.4 以上的 java.util.regex 包,.NET 中System.Text.RegularExpressions 命名空间,以及本站推荐的最简单易用的 DEELX 正则引擎。

其他通用规则

还有一些在各个正则表达式引擎之间比较通用的规则,在前面的讲解过程中没有提到。

表达式中,可以使用 "xXX" 和 "uXXXX" 表示一个字符("X" 表示一个十六进制数)

形式字符范围
xXX编号在 0 ~ 255 范围的字符,比如:空格可以使用 "x20" 表示
uXXXX任何字符可以使用 "u" 再加上其编号的4位十六进制数表示,比如:"u4E2D"

在表达式 "s","d","w","b" 表示特殊意义的同时,对应的大写字母表示相反的意义

表达式可匹配
S匹配所有非空白字符("s" 可匹配各个空白字符)
D匹配所有的非数字字符
W匹配所有的字母、数字、下划线以外的字符
B匹配非单词边界,即左右两边都是 "w" 范围或者左右两边都不是 "w" 范围时的字符缝隙

在表达式中有特殊意义,需要添加 "" 才能匹配该字符本身的字符汇总

字符说明
^匹配输入字符串的开始位置。要匹配 "^" 字符本身,请使用 "^"
$</td><td>匹配输入字符串的结尾位置。要匹配 "$" 字符本身,请使用 "$"
( )标记一个子表达式的开始和结束位置。要匹配小括号,请使用 "(" 和 ")"
[ ]用来自定义能够匹配 '多种字符' 的表达式。要匹配中括号,请使用 "[" 和 "]"
{ }修饰匹配次数的符号。要匹配大括号,请使用 "{" 和 "}"
.匹配除了换行符(n)以外的任意一个字符。要匹配小数点本身,请使用 "."
?修饰匹配次数为 0 次或 1 次。要匹配 "?" 字符本身,请使用 "?"
+修饰匹配次数为至少 1 次。要匹配 "+" 字符本身,请使用 "+"
修饰匹配次数为 0 次或任意次。要匹配 "" 字符本身,请使用 "*"
|左右两边表达式之间 "或" 关系。匹配 "|" 本身,请使用 "|"

括号 "( )" 内的子表达式,如果希望匹配结果不进行记录供以后使用,可以使用 "(?:xxxxx)" 格式

举例1:表达式 "(?:(w)1)+" 匹配 "a bbccdd efg" 时,结果是 "bbccdd"。括号 "(?:)" 范围的匹配结果不进行记录,因此 "(w)" 使用 "1" 来引用。

常用的表达式属性设置简介:Ignorecase,Singleline,Multiline,Global

表达式属性说明
Ignorecase默认情况下,表达式中的字母是要区分大小写的。配置为 Ignorecase 可使匹配时不区分大小写。有的表达式引擎,把 "大小写" 概念延伸至 UNICODE 范围的大小写。
Singleline默认情况下,小数点 "." 匹配除了换行符(n)以外的字符。配置为 Singleline 可使小数点可匹配包括换行符在内的所有字符。
Multiline默认情况下,表达式 "^" 和 "$" 只匹配字符串的开始 ① 和结尾 ④ 位置。如: ①xxxxxxxxx②n ③xxxxxxxxx④ 配置为 Multiline 可以使 "^" 匹配 ① 外,还可以匹配换行符之后,下一行开始前 ③ 的位置,使 "$" 匹配 ④ 外,还可以匹配换行符之前,一行结束 ② 的位置。
Global主要在将表达式用来替换时起作用,配置为 Global 表示替换所有的匹配。

其他提示

如果要要求表达式所匹配的内容是整个字符串,而不是从字符串中找一部分,那么可以在表达式的首尾使用 "^" 和 "$",比如:"^\d+$" 要求整个字符串只有数字。

如果要求匹配的内容是一个完整的单词,而不会是单词的一部分,那么在表达式首尾使用 "b",比如:使用 "b(if|while|else|void|int……)b" 来匹配程序中的关键字。

表达式不要匹配空字符串。否则会一直得到匹配成功,而结果什么都没有匹配到。比如:准备写一个匹配 "123"、"123."、"123.5"、".5" 这几种形式的表达式时,整数、小数点、小数数字都可以省略,但是不要将表达式写成:"d.?d",因为如果什么都没有,这个表达式也可以匹配成功。更好的写法是:"d+.?d*|.d+"。

能匹配空字符串的子匹配不要循环无限次。如果括号内的子表达式中的每一部分都可以匹配 0 次,而这个括号整体又可以匹配无限次,那么情况可能比上一条所说的更严重,匹配过程中可能死循环。虽然现在有些正则表达式引擎已经通过办法避免了这种情况出现死循环了,比如 .NET 的正则表达式,但是我们仍然应该尽量避免出现这种情况。如果我们在写表达式时遇到了死循环,也可以从这一点入手,查找一下是否是本条所说的原因。

合理选择贪婪模式与非贪婪模式

或 "|" 的左右两边,对某个字符最好只有一边可以匹配,这样,不会因为 "|" 两边的表达式因为交换位置而有所不同。

  • DEELX 正则语法,包含其他高级语法的 chm 版本。点击下载
  • 免费的正则表达式检测工具 Match Tracer 点击下载
  • 免费的正则表达式检测工具 McTracer 点击下载

Java 中对正则表达式的支持

Java 中对正则的支持主要有 Matcher 和 Pattern 两个类,Pattern 是一个正则表达式经过编译后的表现模式,Matcher 对象是一个状态机器,它依据 Pattern 对象作为匹配模式对字符串进行匹配检查。

Pattern 类

该类的方法如下:

  • compile(String regex)
    将给定的正则表达式编译并赋予给Pattern类
  • compile(String regex, int flags)
    同上,但增加flag参数的指定,可选的flag参数包括:CASE INSENSITIVE,MULTILINE,DOTALL,UNICODE CASE, CANON EQ
  • flags()
    返回当前Pattern的匹配flag参数.
  • matcher(CharSequence input)
    生成一个给定命名的Matcher对象
  • matcher(String regex, CharSequence input)
    编译给定的正则表达式并且对输入的字串以该正则表达式为模开展匹配,该方法适合于该正则表达式只会使用一次的情况,也就是只进行一次匹配工作,因为这种情况下并不需要生成一个Matcher实例。
  • pattern()
    返回该Patter对象所编译的正则表达式。
  • split(CharSequence input)
    将目标字符串按照Pattern里所包含的正则表达式为模进行分割。
  • split(CharSequence input, int limit)
    作用同上,增加参数limit目的在于要指定分割的段数,如将limi设为2,那么目标字符串将根据正则表达式分为割为两段。

一个正则表达式,也就是一串特定意义的字符,必须首先编译成一个 Pattern 类的实例,这个 Pattern 对象将会使用 matcher() 方法来生成一个 Mathcer 实例,接着便可以使用该 Matcher 实例以编译的正则表达式为基础对目标字符串进行匹配工作,多个 Matcher 是可以用功一个 Pattern 对象的。

例子:

public class Replacement{
      public static void main(String[] args) throws Exception {
        // 生成一个Pattern,同时编译一个正则表达式
        Pattern p = Pattern.compile("[/]+");
        //用Pattern的split()方法把字符串按"/"分割
        String[] result = p.split(
"Kevin has seen《LEON》seveal times,because it is a good film."
+"/ 凯文已经看过《这个杀手不太冷》几次了,因为它是一部"
+"好电影。/名词:凯文。");
        for (int i=0; i<result.length; i++)
            System.out.println(result[i]);
      }
}

输出结果为:

Kevin has seen《LEON》seveal times,because it is a good film.
凯文已经看过《这个杀手不太冷》几次了,因为它是一部好电影。
名词:凯文。

很明显,该程序将字符串按 / 进行了分段,我们以下再使用 split(CharSequence input, int limit) 方法来指定分段的段数,程序改动为:

tring[] result = p.split("Kevin has seen《LEON》seveal times,because it is a good film./ 凯文已经看过《这个杀手不太冷》几次了,因为它是一部好电影。/名词:凯文。",2);

这里面的参数"2"表明将目标语句分为两段。

输出结果则为:

Kevin has seen《LEON》seveal times,because it is a good film.
凯文已经看过《这个杀手不太冷》几次了,因为它是一部好电影。/名词:凯文。

由上面的例子,我们可以比较出java.util.regex包在构造Pattern对象以及编译指定的正则表达式的实现手法与我们在上一篇中所介绍的Jakarta-ORO 包在完成同样工作时的差别,Jakarta-ORO 包要先构造一个PatternCompiler类对象接着生成一个Pattern对象,再将正则表达式用该PatternCompiler类的compile()方法来将所需的正则表达式编译赋予Pattern类:

PatternCompiler orocom=new Perl5Compiler();
Pattern pattern=orocom.compile("REGULAR EXPRESSIONS");
PatternMatcher matcher=new Perl5Matcher();

但是在java.util.regex包里,我们仅需生成一个Pattern类,直接使用它的compile()方法就可以达到同样的效果:

Pattern p = Pattern.compile("[/]+");

因此似乎java.util.regex的构造法比Jakarta-ORO更为简洁并容易理解。

Matcher类

该类方法如下:

  • appendReplacement(StringBuffer sb, String replacement)
    将当前匹配子串替换为指定字符串,并且将替换后的子串以及其之前到上次匹配子串之后的字符串段添加到一个StringBuffer对象里。
  • appendTail(StringBuffer sb)
    将最后一次匹配工作后剩余的字符串添加到一个StringBuffer对象里。
  • end()
    返回当前匹配的子串的最后一个字符在原目标字符串中的索引位置 。
  • end(int group)
    返回与匹配模式里指定的组相匹配的子串最后一个字符的位置。
  • find()
    尝试在目标字符串里查找下一个匹配子串。
  • find(int start)
    重设Matcher对象,并且尝试在目标字符串里从指定的位置开始查找下一个匹配的子串。
  • group()
    返回当前查找而获得的与组匹配的所有子串内容
  • group(int group)
    返回当前查找而获得的与指定的组匹配的子串内容
  • groupCount()
    返回当前查找所获得的匹配组的数量。
  • lookingAt()
    检测目标字符串是否以匹配的子串起始。
  • matches()
    尝试对整个目标字符展开匹配检测,也就是只有整个目标字符串完全匹配时才返回真值。
  • pattern()
    返回该Matcher对象的现有匹配模式,也就是对应的Pattern 对象。
  • replaceAll(String replacement)
    将目标字符串里与既有模式相匹配的子串全部替换为指定的字符串。
  • replaceFirst(String replacement)
    将目标字符串里第一个与既有模式相匹配的子串替换为指定的字符串。
  • reset()
    重设该Matcher对象。
  • reset(CharSequence input)
    重设该Matcher对象并且指定一个新的目标字符串。
  • start()
    返回当前查找所获子串的开始字符在原目标字符串中的位置。
  • start(int group)
    返回当前查找所获得的和指定组匹配的子串的第一个字符在原目标字符串中的位置。

一个 Mathcer 实例是被用来对目标字符串进行基于既有模式(也就是一个给定的Pattern所编译的正则表达式)进行匹配查找的,所有往 Mathcer 的输入都是通过 CharSequence 接口提供的,这样做的目的在于可以支持对从多元化的数据源所提供的数据进行匹配工作。

我们分别来看看各方法的使用:

  • matches() / lookingAt() / find()

    一个Matcher对象是由一个Pattern对象调用其matcher()方法而生成的,一旦该Matcher对象生成,它就可以进行三种不同的匹配查找操作:
- matches() 方法尝试对整个目标字符串展开匹配检测,也就是只有整个目标字符串完全匹配时才返回真值。
- lookingAt() 方法将检测目标字符串是否以匹配的子串起始。
- find() 方法尝试在目标字符串里查找下一个匹配子串。

以上三个方法都将返回一个布尔值来表明是否成功。

  • replaceAll() / appendReplacement() / appendTail()

    Matcher类同时提供了四个将匹配子串替换成指定字符串的方法:

    • replaceAll()
    • replaceFirst()
    • appendReplacement()
    • appendTail()

replaceAll() 与 replaceFirst() 的用法都比较简单,请看上面方法的解释。我们主要重点了解一下 appendReplacement() 和 appendTail() 方法。

appendReplacement(StringBuffer sb, String replacement) 将当前匹配子串替换为指定字符串,并且将替换后的子串以及其之前到上次匹配子串之后的字符串段添加到一个 StringBuffer 对象里,而 appendTail(StringBuffer sb) 方法则将最后一次匹配工作后剩余的字符串添加到一个 StringBuffer 对象里。

例如,有字符串 fatcatfatcatfat ,假设既有正则表达式模式为 "cat",第一次匹配后调用 appendReplacement(sb,"dog") ,那么这时 StringBuffer sb 的内容为 fatdog,也就是 fatcat 中的 cat 被替换为 dog 并且与匹配子串前的内容加到 sb 里,而第二次匹配后调用 appendReplacement(sb,"dog"),那么 sb 的内容就变为 fatdogfatdog,如果最后再调用一次 appendTail(sb),那么 sb 最终的内容将是 fatdogfatdogfat。

还是有点模糊?那么我们来看个简单的程序:

//该例将把句子里的"Kelvin"改为"Kevin"
import java.util.regex.*;
public class MatcherTest{
    public static void main(String[] args) 
                         throws Exception {
        //生成Pattern对象并且编译一个简单的正则表达式"Kelvin"
        Pattern p = Pattern.compile("Kevin");
        //用Pattern类的matcher()方法生成一个Matcher对象
        Matcher m = p.matcher("Kelvin Li and Kelvin Chan are both working in Kelvin Chen's KelvinSoftShop company");
        StringBuffer sb = new StringBuffer();
        int i=0;
        //使用find()方法查找第一个匹配的对象
        boolean result = m.find();
        //使用循环将句子里所有的kelvin找出并替换再将内容加到sb里
        while(result) {
            i++;
            m.appendReplacement(sb, "Kevin");
            System.out.println("第"+i+"次匹配后sb的内容是:"+sb);
            //继续查找下一个匹配对象
            result = m.find();
        }
        //最后调用appendTail()方法将最后一次匹配后的剩余字符串加到sb里;
        m.appendTail(sb);
        System.out.println("调用m.appendTail(sb)后sb的最终内容是:"+ sb.toString());
    }
}

最终输出结果为:
第1次匹配后sb的内容是:Kevin
第2次匹配后sb的内容是:Kevin Li and Kevin
第3次匹配后sb的内容是:Kevin Li and Kevin Chan are both working in Kevin
第4次匹配后sb的内容是:Kevin Li and Kevin Chan are both working in Kevin Chen's Kevin
调用m.appendTail(sb)后sb的最终内容是:Kevin Li and Kevin Chan are both working in Kevin Chen's KevinSoftShop company.

看了上面这个例程是否对appendReplacement(),appendTail()两个方法的使用更清楚呢,如果还是不太肯定最好自己动手写几行代码测试一下。

  • group() / group(int group) / groupCount()

    该系列方法与我们在上篇介绍的 Jakarta-ORO 中的 MatchResult .group() 方法类似(有关 Jakarta-ORO 请参考上篇的内容),都是要返回与组匹配的子串内容,下面代码将很好解释其用法:
public class GroupTest{
    public static void main(String[] args) 
                         throws Exception {
        Pattern p = Pattern.compile("(ca)(t)");        
        Matcher m = p.matcher("one cat,two cats in the yard");
        StringBuffer sb = new StringBuffer();
        boolean result = m.find();
        System.out.println("该次查找获得匹配组的数量为:"+m.groupCount());
        for(int i=1;i<=m.groupCount();i++){
         System.out.println("第"+i+"组的子串内容为: "+m.group(i));
        }
    }
}

输出为:
该次查找获得匹配组的数量为:2
第1组的子串内容为:ca
第2组的子串内容为:t

Matcher对象的其他方法因比较好理解且由于篇幅有限,请读者自己编程验证。

一个检验Email地址的小程序:

最后我们来看一个检验Email地址的例程,该程序是用来检验一个输入的EMAIL地址里所包含的字符是否合法,虽然这不是一个完整的EMAIL地址检验程序,它不能检验所有可能出现的情况,但在必要时您可以在其基础上增加所需功能。

public class Email {
   public static void main(String[] args) throws Exception {
      String input = args[0];
      //检测输入的EMAIL地址是否以 非法符号"."或"@"作为起始字符      
      Pattern p = Pattern.compile("^//.|^//@");
      Matcher m = p.matcher(input);
      if (m.find()){
        System.err.println("EMAIL地址不能以'.'或'@'作为起始字符");
      }
      //检测是否以"www."为起始
      p = Pattern.compile("^www//.");
      m = p.matcher(input);
      if (m.find()) {
        System.out.println("EMAIL地址不能以'www.'起始");
      }
      //检测是否包含非法字符
      p = Pattern.compile("[^A-Za-z0-9//.//@_//-~#]+");
      m = p.matcher(input);
      StringBuffer sb = new StringBuffer();
      boolean result = m.find();
      boolean deletedIllegalChars = false;
      while(result) {
         //如果找到了非法字符那么就设下标记
         deletedIllegalChars = true;
         //如果里面包含非法字符如冒号双引号等,那么就把他们消去,加到SB里面
         m.appendReplacement(sb, "");
         result = m.find();
      }
      m.appendTail(sb);
      input = sb.toString();
      if (deletedIllegalChars) {
          System.out.println("输入的EMAIL地址里包含有冒号、逗号等非法字符,请修改");
          System.out.println("您现在的输入为: "+args[0]);
          System.out.println("修改后合法的地址应类似: "+input);
     }
   }
}

例如,我们在命令行输入:java Email www.kevin@163.NET

那么输出结果将会是:EMAIL地址不能以'www.'起始

如果输入的EMAIL为@kevin@163.Net

则输出为:EMAIL地址不能以'.'或'@'作为起始字符

当输入为:cgjmail#$%@163.net

那么输出就是:

输入的EMAIL地址里包含有冒号、逗号等非法字符,请修改
您现在的输入为: cgjmail#$%@163.net
修改后合法的地址应类似: cgjmail@163.net

本文转自


  1. abc
  2. A-F0-3