[转载]Merlin 的魔力: 用新的正则表达式库解析字符序列

最新推荐文章于 2019-09-10 17:51:50 发布

congji3817

最新推荐文章于 2019-09-10 17:51:50 发布

阅读量104

点赞数

Merlin 的魔力: 用新的正则表达式库解析字符序列

虽然 Java 语言以前的版本支持模式匹配，但 StreamTokenizer 和 StringTokenizer 类却很少涉及用模式能够实现的功能。Java 1.4（以及现在的 1.4.1）发行版在 java.util.regex 包中加入了对使用正则表达式的模式匹配的支持。在 Merlin 的魔力系列的这篇文章中，John Zukowski 向您展示了如何用新的正则表达式库解析字符序列，从而使搜索模式的功能更加强大。

解析模式的文本字符串

正则表达式是根据文本匹配模式的方法 ― 类似于编译器生成类文件的工作原理。编译器在源代码中查找各种模式以便将源代码表达式转换为字节码。通过识别这些源代码模式，编译器能够只将有效的源代码表示转换为已编译的类文件。

回页首

什么是模式？

在正则表达式的上下文中，模式是字符序列的文本表示法。例如，如果您想知道一个字符序列中是否存在 car这个词，您会使用模式 car，因为这是精确地表示该字符串的方法。对于更复杂的模式，您可以使用特殊字符作为占位符。如果您不是要搜索 car，而是想搜索以字母 c开头并以字母 r结尾的任何文本字符串，您会使用 c*r模式，其中 *代表第一个 r前的任意多个字符。 c*r模式将匹配任何以 c开头并以 r结尾的字符串，如 cougar、 cavalier或 chrysler。

回页首

如何指定模式表达式

模式匹配的主要部分是关于要使用什么样的表达式。 Pattern 先保存要使用的表达式，然后将其传递给 Matcher 类以便在字符序列的上下文中检查其匹配情况。例如，如果您想验证一个电子邮件地址，您可能要检查用户输入是否与这样一个模式匹配 ― 它包含一个字母数字序列，后跟一个 @ 符号，@ 后又跟两组用句点隔开的字符。这可以用表达式 p{Alnum}+@w+.p{Alpha}{2,3} 来表示。（是的，这过于简化了电子邮件地址的结构，可能会排除某些有效的电子邮件地址，但它作为示例已经足够了。）

在讨论模式语言的具体细节之前，我们来仔细看一下 p{Alnum}+@w+.p{Alpha}{2,3} 。 p{Alnum} 序列表示单个字母数字字符（A 到 Z、a 到 z 或 0 到 9）。 p{Alnum} 后面的加号（+）被称为 量词（quantifier）。它被应用在表达式的前面部分，表示 p{Alnum} 必须出现一次或更多次。使用星号（*）表示要出现零次或一次以上（含一次）。@ 就是意味着它必须出现在至少一个字母数字字符之后，这样整个模式匹配才能成功。 w+ 与 p{Alnum}+ 类似，但添加了下划线（_）。某些序列有多个表达式。反斜杠（ .）代表句点。如果前面没有反斜杠，单独一个句点代表任意字符。最后的 p{Alpha}{2, 3} 表示两个或三个字母字符。

只要学会了规范语言，您就能掌握模式的所有秘密。我们来看一些更常用的表达式的种类：

文字（Literal）：表达式内任何不具有特殊意义的字符都被看作是一个文字，并与自身匹配。
量词（Quantifier）：某些字符或表达式，它们被用来计算一个文字或分组可以在字符序列中出现的次数，以便该序列与表达式匹配。分组是由圆括号内的一组字符指定的。
- ? 表示出现一次或根本不出现
- * 表示出现零次或一次以上（含一次）
- + 表示出现一次或多次
字符类（Character class）：一个字符类就是方括号内的一个字符集，其中，匹配可以是括号内的任意一个字符。您可以把字符类与量词结合在一起，例如， [acegikmoqsuwy]* 将是只包含字母表中奇数字母的任意字符序列。某些字符类是预先定义的：
- d ― 数字（0 到 9）
- D -- 非数字
- s -- 空白字符，如制表符或换行符
- S -- 非空白字符
- w -- 单字字符（a 到 z、A 到 Z、0 到 9 以及下划线）
- W -- 非单字字符（其它任意字符）
Posix 字符类（Posix character class）：某些字符类仅在用于 US-ASCII 比较时才有效。例如：
- p{Lower} ― 小写字符
- p{Upper} ― 大写字符
- p{ASCII} ― 所有 ASCII 字符
- p{Alpha} ― 字母字符（p{Lower} 与 p{Upper} 相结合）
- p{Digit} ― 从 0 到 9 的数字
- p{Alnum} ― 字母数字字符
范围（Range）：使用短线（dash）来指定包括一定范围字符的字符类。例如， [A-J] 表示从 A 到 J 的大写字母。
否定（Negation）：脱字符（^）否定字符类的内容。例如， [^A-J] 表示除 A 到 J 之外的任何字符。

请参阅 Pattern API 文档（可以从参考资料找到）了解关于序列的其它详细信息。

回页首

如何有效地使用模式

既然您已经了解了如何指定模式，我们就来使用它们吧。您需要让 Pattern 类编译它们，如下所示。注意，反斜杠字符（）在 String 常量中需要转义。

Pattern pattern = Pattern.compile(
  "\p{Alnum}+@\w+\.\p{Alpha}{2,3}");

有了一个编译好的模式后，您可以使用 Pattern 类根据模式把一个输入行分割为一系列单字，或者使用 Matcher 类执行一些更复杂的任务。下面说明了如何分割输入字符序列，其中使用的模式指定了分隔符，而不是字：

String words[] =  pattern.split(input);

如果您想在一个字符序列中多次匹配一个模式，上面的代码片段是一个很好的起点。但如果您想获取特定的输入，您将需要 Pattern 的 matcher() 方法。在给定某个输入时，这个方法将返回适当的 Matcher 类。接着，您使用 Matcher 实例遍历整个结果在输入序列中查找不同的模式匹配，或者使用 Matcher 实例作为查找-替换工具（后一种方法更好）：

Matcher matcher = pattern.matcher(input);

要根据整个序列匹配模式，请使用 matches() 。要确定是否只有序列的一部分匹配，请使用 find() ：

if (matcher.find()) {
    // Found some string within input sequence
    // That matched the compiled pattern
    String match = matcher.group();
    // Process matching pattern
}

回页首

完整的示例

这两个类（ Pattern 与 Matcher ）就是整个模式匹配库。提出正确的正则表达式，然后使用 Matcher 类的结果，这就是这个模式匹配库要做的全部工作。在针对 Java 语言的关于正则表达式的专门书籍出现之前，请找一本关于 Perl 的好书来进一步了解特定的模式。清单 1 提供了一个完整的示例，该示例将在特定文件中查找从命令行作为输入而传入的最长单词。

清单 1.“最长的单词”示例

import java.io.*;
import java.nio.*;
import java.nio.channels.*;
import java.nio.charset.*;
import java.util.*;
import java.util.regex.*;
public class Longest {
  public static void main(String args[]) {
    if (args.length != 1) {
      System.err.println("Provide a filename");
      return;
    }
    try {
      // Map File from filename to byte buffer
      FileInputStream input = 
        new FileInputStream(args[0]);
      FileChannel channel = input.getChannel();
      int fileLength = (int)channel.size();
      MappedByteBuffer buffer = channel.map(
        FileChannel.MapMode.READ_ONLY, 0, fileLength); 
      // Convert to character buffer
      Charset charset = Charset.forName("ISO-8859-1");
      CharsetDecoder decoder = charset.newDecoder();
      CharBuffer charBuffer = decoder.decode(buffer);
      // Create line pattern
      Pattern linePattern = 
        Pattern.compile(".*$", Pattern.MULTILINE);
      // Create word pattern
      Pattern wordBreakPattern = 
        Pattern.compile("[\p{Punct}\s}]");
      // Match line pattern to buffer
      Matcher lineMatcher = 
        linePattern.matcher(charBuffer);
      // Holder for longest word
      String longest = "";
      // For each line
      while (lineMatcher.find()) {
        // Get line
        String line = lineMatcher.group();
        // Get array of words on line
        String words[] = wordBreakPattern.split(line);
        // Look for longest word
        for (int i=0, n=words.length; i          if (words[i].length() > longest.length()) {
            longest = words[i];
          }
        }
      }
      // Report
      System.out.println("Longest word: " + longest);

      // Close
      input.close();
    } catch (IOException e) {
      System.err.println("Error processing");
    }
  }
}