如果你曾经用过 Perl 或任何其他内建正则表达式支持的语言,你一定知道用正则表达式处理文本和匹配模式是多么简单。如果你不熟悉这个术语,那么 “ 正则表达式 ” ( Regular Expression )就是一个字符构成的串,它定义了一个用来搜索匹配字符串的模式。
许多语言,包括 Perl 、 PHP 、 Python 、 JavaScript 和 JScript ,都支持用正则表达式处理文本,一些文本编辑器用正则表达式实现高级 “ 搜索 - 替换 ” 功能。那么 Java 又怎样呢?本文写作时,一个包含了用正则表达式进行文本处理的 Java 规范需求( Specification Request )已经得到认可,你可以期待在 JDK 的下一版本中看到它。
然而,如果现在就需要使用正则表达式,又该怎么办呢?你可以从 Apache.org 下载源代码开放的 Jakarta-ORO 库。本文接下来的内容先简要地介绍正则表达式的入门知识,然后以 Jakarta-ORO API 为例介绍如何使用正则表达式。
一、正则表达式基础知识
我们先从简单的开始。假设你要搜索一个包含字符 “cat” 的字符串,搜索用的正则表达式就是 “cat” 。如果搜索对大小写不敏感,单词 “catalog” 、 “Catherine” 、 “sophisticated” 都可以匹配。也就是说:
1.1 句点符号
假设你在玩英文拼字游戏,想要找出三个字母的单词,而且这些单词必须以 “t” 字母开头,以 “n” 字母结束。另外,假设有一本英文字典,你可以用正则表达式搜索它的全部内容。要构造出这个正则表达式,你可以使用一个通配符 —— 句点符号 “.” 。这样,完整的表达式就是 “t.n” ,它匹配 “tan” 、 “ten” 、 “tin” 和 “ton” ,还匹配 “t#n” 、 “tpn” 甚至 “t n” ,还有其他许多无意义的组合。这是因为句点符号匹配所有字符,包括空格、 Tab 字符甚至换行符:
为了解决句点符号匹配范围过于广泛这一问题,你可以在方括号( “[]” )里面指定看来有意义的字符。此时,只有方括号里面指定的字符才参与匹配。也就是说,正则表达式 “t[aeio]n” 只匹配 “tan” 、 “Ten” 、 “tin” 和 “ton” 。但 “Toon” 不匹配,因为在方括号之内你只能匹配单个字符:
1.3 “ 或 ” 符号
如果除了上面匹配的所有单词之外,你还想要匹配 “toon” ,那么,你可以使用 “|” 操作符。 “|” 操作符的基本意义就是 “ 或 ” 运算。要匹配 “toon” ,使用 “t(a|e|i|o|oo)n” 正则表达式。这里不能使用方扩号,因为方括号只允许匹配单个字符;这里必须使用圆括号 “()” 。圆括号还可以用来分组,具体请参见后面介绍。
1.4 表示匹配次数的符号
表一显示了表示匹配次数的符号,这些符号用来确定紧靠该符号左边的符号出现的次数:
假设我们要在文本文件中搜索美国的社会安全号码。这个号码的格式是 999-99-9999 。用来匹配它的正则表达式如图一所示。在正则表达式中,连字符( “-” )有着特殊的意义,它表示一个范围,比如从 0 到 9 。因此,匹配社会安全号码中的连字符号时,它的前面要加上一个转义字符 “\” 。
假设进行搜索的时候,你希望连字符号可以出现,也可以不出现 —— 即, 999-99-9999 和 999999999 都属于正确的格式。这时,你可以在连字符号后面加上 “ ? ” 数量限定符号,如图二所示:
图二:匹配所有 123-12-1234 和 123121234 形式的社会安全号码
下面我们再来看另外一个例子。美国汽车牌照的一种格式是四个数字加上二个字母。它的正则表达式前面是数字部分 “[0-9]{4}” ,再加上字母部分 “[A-Z]{2}” 。图三显示了完整的正则表达式。
图三:匹配典型的美国汽车牌照号码,如 8836KV
1.5 “ 否 ” 符号
“^” 符号称为 “ 否 ” 符号。如果用在方括号内, “^” 表示不想要匹配的字符。例如,图四的正则表达式匹配所有单词,但以 “X” 字母开头的单词除外。
图四:匹配所有单词,但 “X” 开头的除外
1.6 圆括号和空白符号
假设要从格式为 “June 26, 1951” 的生日日期中提取出月份部分,用来匹配该日期的正则表达式可以如图五所示:
图五:匹配所有 Moth DD,YYYY 格式的日期
新出现的 “\s” 符号是空白符号,匹配所有的空白字符,包括 Tab 字符。如果字符串正确匹配,接下来如何提取出月份部分呢?只需在月份周围加上一个圆括号创建一个组,然后用 ORO API (本文后面详细讨论)提取出它的值。修改后的正则表达式如图六所示:
图六:匹配所有 Month DD,YYYY 格式的日期,定义月份值为第一个组
1.7 其它符号
为简便起见,你可以使用一些为常见正则表达式创建的快捷符号。如表二所示:
表二:常用符号
例如,在前面社会安全号码的例子中,所有出现 “[0-9]” 的地方我们都可以使用 “\d” 。修改后的正则表达式如图七所示:
图七:匹配所有 123-12-1234 格式的社会安全号码
二、 Jakarta-ORO 库
有许多源代码开放的正则表达式库可供 Java 程序员使用,而且它们中的许多支持 Perl 5 兼容的正则表达式语法。我在这里选用的是 Jakarta-ORO 正则表达式库,它是最全面的正则表达式 API 之一,而且它与 Perl 5 正则表达式完全兼容。另外,它也是优化得最好的 API 之一。
Jakarta-ORO 库以前叫做 OROMatcher , Daniel Savarese 大方地把它赠送给了 Jakarta Project 。你可以按照本文最后参考资源的说明下载它。
我首先将简要介绍使用 Jakarta-ORO 库时你必须创建和访问的对象,然后介绍如何使用 Jakarta-ORO API 。
▲ PatternCompiler 对象
首先,创建一个 Perl5Compiler 类的实例,并把它赋值给 PatternCompiler 接口对象。 Perl5Compiler 是 PatternCompiler 接口的一个实现,允许你把正则表达式编译成用来匹配的 Pattern 对象。
▲ Pattern 对象
要把正则表达式编译成 Pattern 对象,调用 compiler 对象的 compile() 方法,并在调用参数中指定正则表达式。例如,你可以按照下面这种方式编译正则表达式 “t[aeio]n” :
默认情况下,编译器创建一个大小写敏感的模式( pattern )。因此,上面代码编译得到的模式只匹配 “tin” 、 “tan” 、 “ten” 和 “ton” ,但不匹配 “Tin” 和 “taN” 。要创建一个大小写不敏感的模式,你应该在调用编译器的时候指定一个额外的参数:
创建好 Pattern 对象之后,你就可以通过 PatternMatcher 类用该 Pattern 对象进行模式匹配。
▲ PatternMatcher 对象
PatternMatcher 对象根据 Pattern 对象和字符串进行匹配检查。你要实例化一个 Perl5Matcher 类并把结果赋值给 PatternMatcher 接口。 Perl5Matcher 类是 PatternMatcher 接口的一个实现,它根据 Perl 5 正则表达式语法进行模式匹配:
使用 PatternMatcher 对象,你可以用多个方法进行匹配操作,这些方法的第一个参数都是需要根据正则表达式进行匹配的字符串:
· boolean matches(String input, Pattern pattern) :当输入字符串和正则表达式要精确匹配时使用。换句话说,正则表达式必须完整地描述输入字符串。
· boolean matchesPrefix(String input, Pattern pattern) :当正则表达式匹配输入字符串起始部分时使用。
· boolean contains(String input, Pattern pattern) :当正则表达式要匹配输入字符串的一部分时使用(即,它必须是一个子串)。
另外,在上面三个方法调用中,你还可以用 PatternMatcherInput 对象作为参数替代 String 对象;这时,你可以从字符串中最后一次匹配的位置开始继续进行匹配。当字符串可能有多个子串匹配给定的正则表达式时,用 PatternMatcherInput 对象作为参数就很有用了。用 PatternMatcherInput 对象作为参数替代 String 时,上述三个方法的语法如下:
· boolean matches(PatternMatcherInput input, Pattern pattern)
· boolean matchesPrefix(PatternMatcherInput input, Pattern pattern)
· boolean contains(PatternMatcherInput input, Pattern pattern)
三、应用实例
下面我们来看看 Jakarta-ORO