徹底研究 Java 中的正則表達式

2019-11-18 13:17:59

字體：大中小

來源：轉載

供稿：網友

　　/*以下是我最近研究正則表達式的成果希望能對大家有幫助。其中也有我碰到的不明白之處，各位有精通的請發mail給我講講。還有有誰對javascript的正則表達式精通請給大家發一下吧。這些東東都是Javadoc上有的，還有一些是我在java.sun.com/docs/books/tutorial/extra/regex/index.Html上看到的，我建議對正則表達式感愛好的不妨上去看看，很不錯。
　　*/
　　package testreg;
　　import java.util.regex.Matcher;
　　import java.util.regex.Pattern;
　　
　　/**
　　* <p>Title: 正則表達式的研究</p>
　　* <p>Description:
　　* 最近在工作中經常用到一些正則表達式的使用問題，到網上去找介紹大多是一鱗半爪。求人不如求已。一狠心，自己看!這兩天利用我們項目兩期之間的一點空閑對J2SE所支持的正則表達式來了個徹底研究!代價是……就是浪廢了部門近十二張白紙。閑話少說，書歸正傳。
　　* 原理：
　　*　　正則表達式的原理是有限狀態自動機，自動機內部有有限個狀態，有一個初始狀態，有一個結束狀態。自動機根據輸入和自身內部的當前狀態來決定下一步于什么。呵呵，這是很久以前學的東東了也記不清了，大家只作參照吧。
　　* Java中的正則表達式：
　　*　　從J2SE1.4起Java增加了對正則表達式的支持就是java.util.regex包，這個包中主要有3個類:Pattern,代表模式，就是正則表達式自身，Matcher，是一個有限狀態自動機，其實大多數的活還是讓Pattern類于了，Matcher往往只是簡單的調用Pattern，不知道這是什么模式。這兩個類寫的都很經典，還有不少算法在內值得有功力的人仔細研究一下。另一個是一個異常類當所用正則表達式不正確時拋出，是運行時異常。
　　* 幾個難點：
　　*　 1.line terminator
　　*　　 line terminator 中文意終結符，是指一個或兩個字符組成的字符序列。java中的
　　*　　所有line terminator:
　　*　　 A newline (line feed) character ('/n'),
　　*　　　-----------換行符(0A)
　　*　　 A carriage-return character followed immediately by a newline character ("/r/n"),
　　*　　　-----------回車+換行(0D0A)
　　*　　 A standalone carriage-return character ('/r'),
　　*　　　-----------回車(0D)
　　*　　 A next-line character ('/u0085'),
　　*　　　------------下一行符？(？表示我也不知道是什么，請大家明白的給我發mail
　　*　　 A line-separator character ('/u2028'), or
　　*　　　------------行分隔符？
　　*　　 A paragraph-separator character ('/u2029).
　　*　　　------------段落分隔符？
　　*　　　If UNIX_LINES mode is activated, then the only line terminators recognized are newline characters.
　　*　　　假如使用unix模式則只有/n被認為是line terminator，也就是在使用pattern時如下：
　　*　　　Pattern p=Pattern.compile("正則表達式",Pattern.UNIX_LINE);
　　*　　　或 Pattern p=Pattern.compile("(?d)正則表達式")
　　*　　　"."匹配除line terminator以外的所有字符(未指定DOTALL時)
　　*　　　在指定DOTAll模式時"."匹配所有字符
　　*　 2.Quantifiers,Greedy,RelUCtant and Possessive.
　　*　　這幾個詞不太好譯，原文是Greedy Quantifiers,Reluctant Quantifiers and Possessive Quantifiers憑我這點英語我只好譯作貪婪的量子，不情愿的量子和占有欲強的量子？這也太搞笑了好在我理解了他們的意思。這點等下我細說。
　　*　 3. 對于[a-zA-Z],[a-d[h-i]],[^a-f],[b-f&&[a-z]],[b-f&&[^cd]]等形式的理解對于上述，原文用range,union,negation,intersection,suBTraction等來描述range表是范圍，union是并集，negation是取反，intersection是交集，subtraction是……是減法？？反正是減去一部分的意思
　　*　　 range　　　 a-z 從a到z的小寫字母
　　*　　 negation　　[^a-f]除了a-f之外所有的，全集是所有字符
　　*　　 union　　　 [a-d[h-i]] a-d并h-i
　　*　　 subtraction [b-f&&[^cd]] 就是b-f中除了cd以外的都是
　　*　　 intersection[b-f&&[a-z]] 就是b-f與a-z中的公共部分
　　*　　我總結了一下，其實就是方括號表示一個集合，集合中的元素用列舉法表示如[abcd]，但太多了怎么為？總不能把從a到z的全列舉吧？那就用a-z表示且省略了方括號，交集用&&表示，并集省略，差集(對subtraction譯成差集還差不多)用交集和取反來表示。所以，以上的可表示為：
　　*　　 [[a-z][A-Z]],[[a-d][h-i]],[^a-f],[[b-f]&&[a-z]],[[b-f]&&[^cd]]
　　*　　這樣是不是和我們的習慣相符了.
　　*　 4.各個標志的意義
　　*　　在生成pattern時可以同時使用幾個標志來指定進行匹配時的方案。
　　*　　用法形如：Pattern p=Pattern.compile(".*a?",Pattern.UNIX_LINES);
　　*　　當同時指定多個標志時可以使用""操作符連接如：
　　*　　 Pattern p=Pattern.compile(".*a?,Pattern.UNIX_LINESPattern.DOTALL);
　　*　　也可以在表達式中指定如：
　　*　　 Pattern p=Pattern.compile("(?d).*a?");
　　*　　 Pattern p=Pattern.compile("(?d)(?s).*a?");
　　*　　以上兩個定義和前面兩個對應等價
　　*　　所有的標志如下：
　　*　　 Constant　　　　　　　 Equivalent Embedded Flag EXPRession
　　Pattern.CANON_EQ　　　　　　　None Enables canonical equivalence
　　Pattern.CASE_INSENSITIVE　　　(?i) Enables case-insensitive matching
　　Pattern.COMMENTS　　　　　　　(?x) Permits whitespace and comments in pattern.
　　Pattern.MULTILINE　　　　　　 (?m) Enables multiline mode.
　　Pattern.DOATALL　　　　　　　 (?s) Enables dotall mode
　　Pattern.UNICODE_CASE　　　　　(?u) Enables Unicode-aware case folding.
　　Pattern.UNIX_LINES　　　　　　(?d) Enables Unix lines mode
　　
　　CANON_EQ 指定使用規范等價模式？這個我理解的也有限，是不是說只要指定了這個模式則ascii碼的'a'就可以和unicode的'a'還有XXX碼的'a'相等？請教各位。(mail to me)
　　
　　CASE_INSENSITIVE 指定使用大小寫不敏感的匹配模式，這個好理解，但要注重這個標志只是對ascii碼有效，要使unicode在比較時也忽略大小寫要同時指定UNICODE_CASE,就是要指定CASE_INSENSITIVEUNICODE_CASE或使用(?i)(?u)
　　
　　COMMENTS 指定使用注釋和忽略空白，也就是".*a"==".　*a #this is comments"我想這個在正則表達式很大，而且是在文件中輸入時比較有用，平時我看也用不上。
　　
　　MULTILINE In multiline mode the expressions ^ and $ match just after
　　or just before, respectively, a line terminator or the end of the
　　input sequence. By default these expressions only match at the beginning
　　and the end of the entire input sequence
　　指定使用多行匹配模式，在默認模式下，^和$分別只匹配一個輸入的開始和結束。
　　在這種模式下，^和$ 除了匹配整個輸入的開始和結束外還匹配一個line terminator的后邊和前邊(不是前邊和后邊，就是說^匹配line terminator的后邊$匹配line terminator的前邊。
　　
　　DOATALL 如指定了這個模式則"."可匹配任何字符包括line terminator UNIX_LINES 指定這個模式時只有/n被認為是line terminator而/r和/r/n都不是其他的我一時想不起來了，在具體介紹時再說吧。
　　</p>
　　/
　　public class TestReg2
　　{
　　
　　public static void main(String[] args)
　　{
　　String str1 = "";
　　Object str = "";
　　//注重：/r,/n,/b等轉義字符在java字符串常量中要寫成//r,//n,//b等，否則編譯都過不去
　　///s匹配/r,/n,/r和空格
　　System.out.println("http://s匹配//r,//n,//r和空格 "+" /t/n/r".matches("http://s{4}"));
　　///S和/s互逆
　　System.out.println("http://S和//s互逆 "+"/".matches("http://S"));
　　//.不匹配/r和/n
　　System.out.println(".不匹配//r和//n "+"/r".matches("."));
　　System.out.println("/n".matches("."));
　　
　　///w匹配字母，數字和下劃線
　　System.out.println("http://w匹配字母，數字和下劃線　"+"a8_".matches("http://w//w//w"));
　　///W和/w互逆
　　System.out.println("http://W和//w互逆 "+"&_".matches("http://W//w"));
　　///d匹配數字
　　System.out.println("http://d匹配數字 "+"8".matches("http://d"));
　　///D與/d互逆
　　System.out.println("http://D與//d互逆"+"%".matches("http://D"));
　　//兩者都匹配但意文不同
　　System.out.println("======================");
　　System.out.println("表示//000a匹配//000a "+"/n".matches("/n"));
　　System.out.println("表示//n匹配換行 "+"/n".matches("http://n"));
　　System.out.println("======================");
　　//兩者都匹配但意文不同
　　System.out.println("/r".matches("/r"));
　　System.out.println("/r".matches("http://r"));
　　System.out.println("======================");
　　//^匹配開頭
　　System.out.println("^匹配開頭"+"hell".matches("^hell"));
　　System.out.println("abc/nhell".matches("^hell"));
　　//$匹配結束
　　System.out.println("$匹配結束"+"my car/nabc".matches(".*ar$"));
　　System.out.println("my car".matches(".*ar$"));

上一篇：控制反轉（Inversion of Control）介紹

下一篇：對等點如何彼此定位實現交互功能