pattern match basic

 

模式匹配

（一）“模式”是用于转换输入数据的规则。采用多种方式将数据与一个或多个逻辑结构进行比较、将数据分解为各个构成部分，或从数据中提取信息。

（二）正则表达式是代表具有特殊意义字符的字符串。从海量数据中寻找特定的信息时,正则表达式起到了至关重要的作用。正则表达式仿佛一个模板,将某个字符模式与所搜索的字符串进行匹配。在编写程序时正则表达式也起着很重要的作用,应用广泛。

（三）Java 的模式匹配配（from http://apps.hi.baidu.com/share/detail/3851069）

下面列出Java DOC中Pattern的部分内容，来介绍正则表达式的一些字符特性（翻译可能不正确，请指正）：      

一个正则表达式(用String指出)，首先必须放到这个类中。作为结果，可以被用来创造一个Matcher的对象。这个对象可以根据正则表达式匹配任意的字符序列。所有这些都将在match端掉用，所以pattern可以被多个match共享。

一个典型的范例如下：

Pattern p = Pattern.compile(“a*b”);

Matcher m = p.matcher(“aaaaab”);

boolean b = m.matches();

当一个正则表达式只使用一次时，在这个类中定义matches是方便的。这个方法编辑了一个表达式并且匹配一个输入的序列。下面的表达式和上面三个表达式是等价的：boolean b = Pattern.matches(“a*b”,”aaaaab”);。但是因为这样就不允许Pattern重复使用，所以在重复匹配的情况下是没有任何效率可言的。

    这是一个不可变类，并且对于多线程是安全的。Matcher类并不是安全的。

正则表达式摘要

结构                         相匹配的内容

x                           代表字母x

\\                          代表反斜杠

\0n                         代表8进制数(0 <= n <= 7)

\0nn                        代表8进制数(0 <= n <= 7)

\0mnn　　　　　　　　　　　代表8进制数(0 <= m <= 3 0 <= n <= 7)

\xhh                        代表16进制数0xhh

\uhhhh                     代表16进制数0xhhhh

\t                           代表制表符(‘\u0009’)

\n                          代表换行符(‘\u000A’)

\r                           代表回车符(‘\u000D’)

\f                           代表换页符(‘\u000C’)

\a                          代表警铃(‘\u0007’)

\e                          代表溢出(‘\u001B’)

\cX                         代表Ctrl+X

字符级

[abc]                         a,b或c(只限于单字符)

[^abc]                       除a,b或c之外的任意字符(否定)

[a-zA-Z]                     从a到z或者从A到Z(范围)

[a-d[m-p]]                   从a到d或m到p:[a-dm-p](联合)

[a-z&&[def]]                  d,e或f(交叉)

[a-z&&[^bc]]                 从除b和c之外的a到z的字符:[ad-z](减少)

[a-z&&[^m-p]]               从a到z的区域中m到p之后剩下的区域:[a-lq-z](减少)

预先确定的字符集

.                           任何一个字符

\d                           0到9的数字[0-9]

\D                          非数字[^0-9]

\s                           空白的字符:[\t\n\x0B\f\r]

\S                          非空白字符:[^\s]

\w                          文字字符:[a-zA-Z_0-9]

\W                         非文字字符:[^\w]

POSIX字符集(只能用于英语)

\p{Lower}                   小写字母字符:[a-z]

\p{Upper}                   大写字母字符:[A-Z]

\p{ASCII}                   所有的ASCII码:[\x00-\x7F]

\p{Alpha}                   所有字母字符:[\p{Lower}\p{Upper}]

\p{Digit}                    所有十进制数据:[0-9]

\p{Alnum}                   文字数字(包括文字和数字):[\p{Alpha}\p{Digit}]

\p{Punct}                   标点符号，包括:!”#$%&’()*+,-./:;ó?@[\]^_`{|}~

\p{Graph}                  可见字符:[\p{Alnum}\p{Punct}]

\p{Print}                    打印字符:[\p{Graph}\x20]

\p{Blank}                   空格或制表[ \t]

\p{Cntrl}                    控制字符:[\x00-\x1F\x7F]

\p{XDigit}                   十六进制数:[0-9a-fA-F]

\p{Space}                   空白字符:[ \t\n\x0B\f\r]

java.lang.Character字符集

\p{javaLowerCase}          相当于java.lang.Character.isLowerCase()

\p{javaUpperCase}          相当于java.lang.Character.isUpperCase()

\p{javaWhitespace}          相当于java.lang.Character.isWhitespace()

\p{javaMirrored}            相当于java.lang.Character.isMirrored()

Unicode块和目录

\p{InGreek}                 希腊块的字符集

\p{Lu}                      大写字母

\p{Sc}                       流通符号

\P{InGreek}                 非希腊字符

分界匹配

^                           一行的开始

$                           一行的结束

\b                          单词的分界

\B                          非单词分界

\A                          输入开始

\G                          之前匹配的结束

\Z                          输入的结束，但不是整个结束

\z                            输入结束

重复量词

X?                           X重复0次或1次

X*                           X重复0次或多次

X+                           X重复1次或多次

X{n}                         X重复n次

X{n,}                         X重复至少n次

X{n,m}                       X至少重复n次，至多重复m次

Reluctant quantifiers

X??                          X重复0次或1次

X*?                          X重复0次或0次以上

X+?                          X重复1次或以上

X{n}?                        X重复n次

X{n,}                         X至少重复n次

X{n,m}                       X至少重复n次，至多重复m次

Possessive quantifiers

X?+                          X重复1次或0次

X*+                          X重复0次或0次以上

X++                          X重复1次或1次以上

X{n}+                        X重复n次

X{n,}+                        X至少重复n次

X{n,m}+                      X至少重复n次，至多重复m次

逻辑操作符

X.Y                         将X和Y相连

X|Y                         要么X要么Y

(X)                           X作为一个捕获

有了上面的知识，我们可以写一个正则表达式。比如我要用Java规定的这些符号来表示一个Email地址，就可以这样写：[a-zA-Z0-9_]+[@][a-zA-Z0-9]+[\.][com][\.cn]?

        [a-zA-Z0-9_]+表示a到z，A到Z，0到9，外加下划线重复1次以上所组成的字符串，比如 yuetian_wang1982这样的就符合上面的这个正则表达式。（其余的部分不做细致检查，这个正则表达式是临时写的，只是表达一个意思，可能并不完整，没有经过测试，建议不要再真正的项目中使用）

        Java中的实现：Pattern类与Matcher类

       首先，Pattern中有一个静态方法，可以接受一个正则表达式，如：

       String regex = "[a-zA-Z0-9_]+[@][a-zA-Z0-9]+[\.][com][\.cn]?";

       Pattern pattern = Pattern.compile(regex);

　　然后用matcher方法来匹配要匹配的字符串，matcher方法会返回一个Matcher类，来查找匹配结果如：

　　String context = "checkhere1@hotmail.com ;checkhere2@hotmail.com"

       Matcher matcher = pattern.matcher(context.toString());

       最后通过matcher中的find()方法来查找有没有匹配的纪录，如果有返回true，如果没有返回false。通过group()方法来得到匹配的字符串，如：

       while (matcher.find()) {

                 System.out.println(matcher.group());

       }

       输出结果应该是：        checkhere1@hotmail.com

       checkhere2@hotmail.com