第一部分: ----------------- 正则表达式(REs)通常被错误地认为是只有少数人理解的一种神秘语言。在表面上它们确实看起来杂乱无章,如果你不知道它的语法,那么它的代码在你眼里只是一堆文字垃圾而已。实际上,正则表达式是非常简单并且可以被理解。读完这篇文章后,你将会通晓正则表达式的通用语法。 支持多种平台 正则表达式最早是由数学家Stephen Kleene于1956年提出,他是在对自然语言的递增研究成果的基础上提出来的。具有完整语法的正则表达式使用在字符的格式匹配方面上,后来被应用到熔融信息技术领域。自从那时起,正则表达式经过几个时期的发展,现在的标准已经被ISO(国际标准组织)批准和被Open Group组织认定。 正则表达式并非一门专用语言,但它可用于在一个文件或字符里查找和替代文本的一种标准。它具有两种标准:基本的正则表达式(BRE),扩展的正则表达式(ERE)。ERE包括BRE功能和另外其它的概念。 许多程序中都使用了正则表达式,包括xsh,egrep,sed,vi以及在UNIX平台下的程序。它们可以被很多语言采纳,如HTML 和XML,这些采纳通常只是整个标准的一个子集。 比你想象的还要普通 随着正则表达式移植到交叉平台的程序语言的发展,这的功能也日益完整,使用也逐渐广泛。网络上的搜索引擎使用它,e-mail程序也使用它,即使你不是一个UNIX程序员,你也可以使用规则语言来简化你的程序而缩短你的开发时间。 正则表达式101 很多正则表达式的语法看起来很相似,这是因为你以前你没有研究过它们。通配符是RE的一个结构类型,即重复操作。让我们先看一看ERE标准的最通用的基本语法类型。为了能够提供具有特定用途的范例,我将使用几个不同的程序。 第二部分: ---------------------- 字符匹配 正则表达式的关键之处在于确定你要搜索匹配的东西,如果没有这一概念,Res将毫无用处。 每一个表达式都包含需要查找的指令,如表A所示。 Table A: Character-matching regular expressions 格式说明: --------------- 操作: 解释: 例子: 结果: ---------------- . Match any one character grep .ord sample.txt Will match “ford”, “lord”, “2ord”, etc. in the file sample.txt. ----------------- [ ] Match any one character listed between the brackets grep [cng]ord sample.txt Will match only “cord”, “nord”, and “gord” --------------------- [^ ] Match any one character not listed between the brackets grep [^cn]ord sample.txt Will match “lord”, “2ord”, etc. but not “cord” or “nord” grep [a-zA-Z]ord sample.txt Will match “aord”, “bord”, “Aord”, “Bord”, etc. grep [^0-9]ord sample.txt Will match “Aord”, “aord”, etc. but not “2ord”, etc. 重复操作符 重复操作符,或数量词,都描述了查找一个特定字符的次数。它们常被用于字符匹配语法以查找多行的字符,可参见表B。 Table B: Regular expression repetition operators 格式说明: --------------- 操作: 解释: 例子: 结果: ---------------- ? Match any character one time, if it exists egrep “?erd” sample.txt Will match “berd”, “herd”, etc. and “erd” ------------------ * Match declared element multiple times, if it exists egrep “n.*rd” sample.txt Will match “nerd”, “nrd”, “neard”, etc. ------------------- + Match declared element one or more times egrep “[n]+erd” sample.txt Will match “nerd”, “nnerd”, etc., but not “erd” -------------------- {n} Match declared element exactly n times egrep “[a-z]{2}erd” sample.txt Will match “cherd”, “blerd”, etc. but not “nerd”, “erd”, “buzzerd”, etc. ------------------------ {n,} Match declared element at least n times egrep “.{2,}erd” sample.txt Will match “cherd” and “buzzerd”, but not “nerd” ------------------------ {n,N} Match declared element at least n times, but not more than N times egrep “n[e]{1,2}rd” sample.txt Will match “nerd” and “neerd” 第三部分: ---------------- 锚 锚是指它所要匹配的格式,如图C所示。使用它能方便你查找通用字符的合并。例如,我用vi行编辑器命令:s来代表substitute,这一命令的基本语法是: s/pattern_to_match/pattern_to_substitute/ Table C: Regular expression anchors ------------- 操作 解释 例子 结果 --------------- ^ Match at the beginning of a line s/^/blah / Inserts “blah “ at the beginning of the line --------------- $ Match at the end of a line s/$/ blah/ Inserts “ blah” at the end of the line --------------- \< Match at the beginning of a word s/\Inserts “blah” at the beginning of the word egrep “\Matches “blahfield”, etc. ------------------ \> Match at the end of a word s/\>/blah/ Inserts “blah” at the end of the word egrep “\>blah” sample.txt Matches “soupblah”, etc. --------------- \b Match at the beginning or end of a word egrep “\bblah” sample.txt Matches “blahcake” and “countblah” ----------------- \B Match in the middle of a word egrep “\Bblah” sample.txt Matches “sublahper”, etc. 间隔 Res中的另一可便之处是间隔(或插入)符号。实际上,这一符号相当于一个OR语句并代表|符号。下面的语句返回文件sample.txt中的“nerd” 和 “merd”的句柄: egrep “(n|m)erd” sample.txt 间隔功能非常强大,特别是当你寻找文件不同拼写的时候,但你可以在下面的例子得到相同的结果: egrep “[nm]erd” sample.txt 当你使用间隔功能与Res的高级特性连接在一起时,它的真正用处更能体现出来。 第四部分: ---------------- 一些保留字符 Res的最后一个最重要特性是保留字符(也称特定字符)。例如,如果你想要查找“ne*rd”和“ni*rd”的字符,格式匹配语句“n[ei]*rd”与“neeeeerd” 和 “nieieierd”相符合,但并不是你要查找的字符。因为‘*’(星号)是个保留字符,你必须用一个反斜线符号来替代它,即:“n[ei]\*rd”。其它的保留字符包括: ^ (carat) . (period) [ (left bracket} $ (dollar sign) ( (left parenthesis) ) (right parenthesis) | (pipe) * (asterisk) + (plus symbol) ? (question mark) { (left curly bracket, or left brace) \ backslash 一旦你把以上这些字符包括在你的字符搜索中,毫无疑问Res变得非常的难读。比如说以下的PHP中的eregi搜索引擎代码就很难读了。 eregi("^[_a-z0-9-]+(\.[_a-z0-9-]+)*@[a-z0-9-]+(\.[a-z0-9-]+)*$",$sendto) 你可以看到,程序的意图很难把握。但如果你抛开保留字符,你常常会错误地理解代码的意思。 总结 在本文中,我们揭开了正则表达式的神秘面纱,并列出了ERE标准的通用语法。如果你想阅览Open Group组织的规则的完整描述,你可以参见:Regular Expressions,欢迎你在其中的讨论区发表你的问题或观点。 另外一篇文章 ---------------------------------------- 正则表达式和Java编程语言 ----------------------------------------- 类和方法 下面的类根据正则表达式指定的模式,与字符序列进行匹配。 Pattern类 Pattern类的实例表示以字符串形式指定的正则表达式,其语 法类似于Perl所用的语法。 用字符串形式指定的正则表达式,必须先编译成Pattern类的 实例。生成的模式用于创建Matcher对象,它根据正则表达式与任 意字符序列进行匹配。多个匹配器可以共享一个模式,因为它是非专属的。 用compile方法把给定的正则表达式编译成模式,然后用 matcher方法创建一个匹配器,这个匹配器将根据此模式对给定输 入进行匹配。pattern 方法可返回编译这个模式所用的正则表达 式。 split方法是一种方便的方法,它在与此模式匹配的位置将给 定输入序列切分开。下面的例子演示了: /* * 用split对以逗号和/或空格分隔的输入字符串进行切分。 */ import java.util.regex.*; public class Splitter { public static void main(String[] args) throws Exception { // Create a pattern to match breaks Pattern p = Pattern.compile("[,\\s]+"); // Split input with the pattern String[] result = p.split("one,two, three four , five"); for (int i=0; iSystem.out.println(result[i]); } } Matcher类 Matcher类的实例用于根据给定的字符串序列模式,对字符序 列进行匹配。使用CharSequence接口把输入提供给匹配器,以便 支持来自多种多样输入源的字符的匹配。 通过调用某个模式的matcher方法,从这个模式生成匹配器。 匹配器创建之后,就可以用它来执行三类不同的匹配操作: matches方法试图根据此模式,对整个输入序列进行匹配。 lookingAt方法试图根据此模式,从开始处对输入序列进 行匹配。 find方法将扫描输入序列,寻找下一个与模式匹配的地方。 这些方法都会返回一个表示成功或失败的布尔值。如果匹配成功,通过查询 匹配器的状态,可以获得更多的信息 这个类还定义了用新字符串替换匹配序列的方法,这些字符串的内容如果需 要的话,可以从匹配结果推算得出。 appendReplacement方法先添加字符串中从当前位置到下一个 匹配位置之间的所有字符,然后添加替换值。appendTail添加的 是字符串中从最后一次匹配的位置之后开始,直到结尾的部分。 例如,在字符串blahcatblahcatblah中,第一个 appendReplacement添加blahdog。第二个 appendReplacement添加blahdog,然后 appendTail添加blah,就生成了: blahdogblahdogblah。请参见示例 简单的单词替换。 CharSequence接口 CharSequence接口为许多不同类型的字符序列提供了统一的只 读访问。你提供要从不同来源搜索的数据。用String, StringBuffer 和CharBuffer实现CharSequence,,这样就可以很 容易地从它们那里获得要搜索的数据。如果这些可用数据源没一个合适的,你可 以通过实现CharSequence接口,编写你自己的输入源。 Regex情景范例 以下代码范例演示了java.util.regex软件包在各种常见情形 下的用法: 简单的单词替换 /* * This code writes "One dog, two dogs in the yard." * to the standard-output stream: */ import java.util.regex.*; public class Replacement { public static void main(String[] args) throws Exception { // Create a pattern to match cat Pattern p = Pattern.compile("cat"); // Create a matcher with an input string Matcher m = p.matcher("one cat," + " two cats in the yard"); StringBuffer sb = new StringBuffer(); boolean result = m.find(); // Loop through and create a new String // with the replacements while(result) { m.appendReplacement(sb, "dog"); result = m.find(); } // Add the last segment of input to // the new String m.appendTail(sb); System.out.println(sb.toString()); } } 电子邮件确认 以下代码是这样一个例子:你可以检查一些字符是不是一个电子邮件地址。 它并不是一个完整的、适用于所有可能情形的电子邮件确认程序,但是可以在 需要时加上它。 /* * Checks for invalid characters * in email addresses */ public class EmailValidation { public static void main(String[] args) throws Exception { String input = "@sun.com"; //Checks for email addresses starting with //inappropriate symbols like dots or @ signs. Pattern p = Pattern.compile("^\\.|^\\@"); Matcher m = p.matcher(input); if (m.find()) System.err.println("Email addresses don't start" + " with dots or @ signs."); //Checks for email addresses that start with //www. and prints a message if it does. p = Pattern.compile("^www\\."); m = p.matcher(input); if (m.find()) { System.out.println("Email addresses don't start" + " with \"www.\", only web pages do."); } p = Pattern.compile("[^A-Za-z0-9\\.\\@_\\-~#]+"); m = p.matcher(input); StringBuffer sb = new StringBuffer(); boolean result = m.find(); boolean deletedIllegalChars = false; while(result) { deletedIllegalChars = true; m.appendReplacement(sb, ""); result = m.find(); } // Add the last segment of input to the new String m.appendTail(sb); input = sb.toString(); if (deletedIllegalChars) { System.out.println("It contained incorrect characters" + " , such as spaces or commas."); } } } 从文件中删除控制字符 /* This class removes control characters from a named * file. */ import java.util.regex.*; import java.io.*; public class Control { public static void main(String[] args) throws Exception { //Create a file object with the file name //in the argument: File fin = new File("fileName1"); File fout = new File("fileName2"); //Open and input and output stream FileInputStream fis = new FileInputStream(fin); FileOutputStream fos = new FileOutputStream(fout); BufferedReader in = new BufferedReader( new InputStreamReader(fis)); BufferedWriter out = new BufferedWriter( new OutputStreamWriter(fos)); // The pattern matches control characters Pattern p = Pattern.compile("{cntrl}"); Matcher m = p.matcher(""); String aLine = null; while((aLine = in.readLine()) != null) { m.reset(aLine); //Replaces control characters with an empty //string. String result = m.replaceAll(""); out.write(result); out.newLine(); } in.close(); out.close(); } } 文件查找 /* * Prints out the comments found in a .java file. */ import java.util.regex.*; import java.io.*; import java.nio.*; import java.nio.charset.*; import java.nio.channels.*; public class CharBufferExample { public static void main(String[] args) throws Exception { // Create a pattern to match comments Pattern p = Pattern.compile("//.*$", Pattern.MULTILINE); // Get a Channel for the source file File f = new File("Replacement.java"); FileInputStream fis = new FileInputStream(f); FileChannel fc = fis.getChannel(); // Get a CharBuffer from the source file ByteBuffer bb = fc.map(FileChannel.MAP_RO, 0, (int)fc.size()); Charset cs = Charset.forName("8859_1"); CharsetDecoder cd = cs.newDecoder(); CharBuffer cb = cd.decode(bb); // Run some matches Matcher m = p.matcher(cb); while (m.find()) System.out.println("Found comment: "+m.group()); } } 结论 现在Java编程语言中的模式匹配和许多其他编程语言一样灵活了。可以在应 用程序中使用正则表达式,确保数据在输入数据库或发送给应用程序其他部分之 前,格式是正确的,正则表达式还可以用于各种各样的管理性工作。简而言之, 在Java编程中,可以在任何需要模式匹配的地方使用正则表达式。 JDK1.4之正規表示式 written by william chen(06/19/2002) -------------------------------------------------------------------------------- 什麼是正規表示式呢(Reqular Expressions) 就是針對檔案、字串,透過一種很特別的表示式來作search與replace 因為在unix上有很多系統設定都是存放在文字檔中,因此網管或程式設計常常需要作搜尋與取代 所以發展出一種特殊的命令叫做正規表示式 我們可以很簡單的用 "s/ 因此jdk1.4提供了一組正規表示式的package供大家使用 若是jdk1.4以下的可以到http://jakarta.apache.org/oro取得相關功能的package 剛剛列出的一串符號" s/ 適用於j2sdk1.4的正規語法 "." 代表任何字元 正規式 原字串 符合之字串 . ab a .. abc ab "+" 代表一個或以個以上的字元 "*" 代表零個或是零個以上的字元 正規式 原字串 符合之字串 + ab ab * abc abc "( )"群組 正規式 原字串 符合之字串 (ab)* aabab abab 字元類 正規式 原字串 符合之字串 [a-dA-D0-9]* abczA0 abcA0 [^a-d]* abe0 e0 [a-d]* abcdefgh abab 簡式 \d 等於 [0-9] 數字 \D 等於 [^0-9] 非數字 \s 等於 [ \t\n\x0B\f\r] 空白字元 \S 等於 [^ \t\n\x0B\f\r] 非空白字元 \w 等於 [a-zA-Z_0-9] 數字或是英文字 \W 等於 [^a-zA-Z_0-9] 非數字與英文字 每一行的開頭或結尾 ^ 表示每行的開頭 $ 表示每行的結尾 -------------------------------------------------------------------------------- 正規表示式 java.util.regex 相關的類別 Pattern—正規表示式的類別 Matcher—經過正規化的結果 PatternSyntaxExpression—Exception thrown while attempting to compile a regular expression 範例1: 將字串中所有符合"<"的字元取代成"lt;" import java.io.*; import java.util.regex.*; /** * 將字串中所有符合"<"的字元取代成"lt;" */ public static void replace01(){ // BufferedReader lets us read line-by-line Reader r = new InputStreamReader( System.in ); BufferedReader br = new BufferedReader( r ); Pattern pattern = Pattern.compile( "<" ); // 搜尋某字串所有符合'<'的字元 try{ while (true) { String line = br.readLine(); // Null line means input is exhausted if (line==null) break; Matcher a = pattern.matcher(line); while(a.find()){ System.out.println("搜尋到的字元是" + a.group()); } System.out.println(a.replaceAll("lt;"));// 將所有符合字元取代成lt; } }catch(Exception ex){ex.printStackTrace();}; } 範例2: import java.io.*; import java.util.regex.*; /** * 類似StringTokenizer的功能 * 將字串以","分隔然後比對哪個token最長 */ public static void search01(){ // BufferedReader lets us read line-by-line Reader r = new InputStreamReader( System.in ); BufferedReader br = new BufferedReader( r ); Pattern pattern = Pattern.compile( ",\\s*" );// 搜尋某字串所有","的字元 try{ while (true) { String line = br.readLine(); String words[] = pattern.split(line); // Null line means input is exhausted if (line==null) break; // -1 means we haven't found a word yet int longest=-1; int longestLength=0; for (int i=0; iSystem.out.println("分段:" + words[i] ); if (words[i].length() > longestLength) { longest = i; longestLength = words[i].length(); } } System.out.println( "長度最長為:" + words[longest] ); } }catch(Exception ex){ex.printStackTrace();}; } -------------------------------------------------------------------------------- 其他的正規語法 /^\s* # 忽略每行開始的空白字元 (M(s|r|rs)\.) # 符合 Ms., Mrs., and Mr. (titles)