注册 登录  
 加关注
   显示下一条  |  关闭
温馨提示!由于新浪微博认证机制调整,您的新浪微博帐号绑定已过期,请重新绑定!立即重新绑定新浪微博》  |  关闭

云之南

风声,雨声,读书声,声声入耳;家事,国事,天下事,事事关心

 
 
 

日志

 
 
关于我

专业背景:计算机科学 研究方向与兴趣: JavaEE-Web软件开发, 生物信息学, 数据挖掘与机器学习, 智能信息系统 目前工作: 基因组, 转录组, NGS高通量数据分析, 生物数据挖掘, 植物系统发育和比较进化基因组学

网易考拉推荐

Java正则表达式(一)  

2010-09-23 12:35:09|  分类: java-j2ee |  标签: |举报 |字号 订阅

  下载LOFTER 我的照片书  |

Java正则表达式(一)

http://fuliang.javaeye.com/blog/search?qry=java%E6%AD%A3%E5%88%99%E8%A1%A8%E8%BE%BE%E5%BC%8F
关键字: java regex, regular expression
正则表达式在处理文本方面用处非常大,最早像在Perl和awk语言中,提供了这种机制,Java在Java 2中也增加了正则表达式这个包java.util.regex。这个包为用户使用正则表达式,提供了易用而全面的支持。我的研究方向是web挖掘。从网页中提取内容,处理文本,当然需要正则表达式这个强大的工具了。
一、首先我们看一下怎么使用正则表达式的一个例子:
A Matcher examines the results of applying a pattern.
我们希望从这句话中找到所有开头为a的单词。
当然这只是一个简单的例子,你可以使用String提供的split方法,得到单词数组,然后
遍历各个单词看是否是否开头为a
我们现在看看怎么使用正则表达式来处理这个问题:
Java代码 复制代码
import java.util.regex.*;   
  
p lic class FindA{   
  p lic static void main(String args[])   
  throws Exception{   
  
    String candidate =   
     "A Matcher examines the results of applying a pattern.";   
    String regex = "\\ba\\w*\\b";   
    Pattern p = Pattern.compile(regex);   
    Matcher m = p.matcher(candidate);   
    String val = null;   
    System.out.println("INPUT: " + candidate);   
    System.out.println("REGEX: " + regex +"\r\n");   
    while (m.find()){   
      val = m.group();   
      System.out.println("MATCH: " + val);   
    }   
    if (val == null) {   
      System.out.println("NO MATCHES: ");   
    }   
  }   
}  

import java.util.regex.*;    p lic class FindA{    p lic static void main(String args[])    throws Exception{        String candidate =       "A Matcher examines the results of applying a pattern.";      String regex = "\\ba\\w*\\b";      Pattern p = Pattern.compile(regex);      Matcher m = p.matcher(candidate);      String val = null;      System.out.println("INPUT: " + candidate);      System.out.println("REGEX: " + regex +"\r\n");      while (m.find()){        val = m.group();        System.out.println("MATCH: " + val);      }      if (val == null) {        System.out.println("NO MATCHES: ");      }    }  }  

从这个例子我们可以看到正则表达式涉及到的两个类Matcher和Pattern,我们以后会专门讨论着连个类。现在主要看看使用正则表达式的流程:
首先使用 Pattern的一个静态的方法compile来创建Pattern对象,
Java代码 复制代码
Pattern p = Pattern.compile(regex);  
Pattern p = Pattern.compile(regex);  

然后调用Pattern的方法matcher
Java代码 复制代码
Matcher m = p.matcher(candidate);  
 Matcher m = p.matcher(candidate);  

得到了Matcher对象,Matcher对象保存了许多匹配信息,然后可以通过find()方法
查找匹配的部分,如果有匹配的部分,返回真,使用m.group方法得到匹配的各组值,
否则find返回false.
当然这只是一般的过程,还有许多更细的方法,在以后会陆续的总结,下面我们看一下
Java代码 复制代码
String regex = "\\ba\\w*\\b";  
String regex = "\\ba\\w*\\b";  

这个就是一个正则表达式,b,w,*都是正则表达式的meta character原字符,
\b表示单词的边界,w表示任意的可构成单词的字母数字,*表示前面的字母(当然可以
是更复杂的组之类的了东东)重复0次或0次以上,a当然还是a了。所以这个regex就
匹配单词开头为a的单词了。
二、下面总结一下基本的正则表达式的meta character以及它们含义:
.  匹配任意一个字符 $ 匹配一行的结尾 ^ 匹配一行的开头(在[]里面表示否定)
{} 定义了一个范围  [] 定义了一个字符类 () 定义了一个组
*前面出现0次以上   + 前面匹配一次以上 ?前面出现0次或一次  
\ 后面的字符不会看作metacharacter  \w 字母数字下划线 \W 非字母数字下划线
\d 单个数字 \D单个非数字 | 或,二者之一 &&与操作符 \b单词边界
下面看看几个简单的例子:
[abc] a、b 或 c(简单类)
[^abc] 任何字符,除了a、b 或 c(否定)
[a-zA-Z] a 到 z 或 A 到 Z,两头的字母包括在内(范围)
[a-d[m-p]] a 到 d 或 m 到 p:[a-dm-p](并集)
[a-z&&[def]] d、e 或 f(交集)
[a-z&&[^bc]] a 到 z,除了 b 和 c:[ad-z](减去)
[a-z&&[^m-p]] a 到 z,而非 m 到 p:[a-lq-z](减去)
三、java.util.regex提供的操作接口:
java.util.regex包提供了操作正则表达式的模型,整个模型优雅而简洁,只有三个类:Pattern、Matcher和
PatternSyntaxException。下面将要总结他们提供的方法,以及如何灵活应用来处理文本。
我们还是从Pattern的静态工厂方法来扩展吧:
Java代码 复制代码
static Pattern compile(String regex)   
static Pattern compile(String regex)   

将给定的正则表达式编译到模式中,并创建Pattern对象,这个方法通常是操作正则表达式的第一步,从前面那个例子
我们也可以看到整个的流程。
在看看一个重载的compile方法:
Java代码 复制代码
    
static Pattern compile(String regex, int flags)   
   static Pattern compile(String regex, int flags)   

将给定的正则表达式编译到具有给定标志的模式中。 这个方法参数flags提供了一些特殊的选项来用于特殊的处理,
我们下面看看可使用的选项:
UNIX_LINES:这个主要处理UNIX和其他的操作系统在行结束符不一样的问题,UNIX使用\n代表一行的终止,而Windows
则使用了\r\n,\n,\r,\?或者\?作为一行的结束符。
CASE_INSENSITIVE:当我们在匹配的时候要忽略字符大小写时
COMMENTS:允许我们在正则表达式中使用注释,例如
Java代码 复制代码
Pattern p =Pattern.compile("A    #matches uppercase US-ASCII char code 65",Pattern.COMMENTS);  
Pattern p =Pattern.compile("A    #matches uppercase US-ASCII char code 65",Pattern.COMMENTS);  

MULTILINE:表明要输入多行,他们有自己的终止字符。
Java代码 复制代码
Pattern p = Pattern.compile("^", Pattern.MULTILINE);  
Pattern p = Pattern.compile("^", Pattern.MULTILINE);  

如果你的输入的字符串是:This is a sentence.\n So is this..
这样我们匹配的字符时This中的T和So中的S,如果不使用MULTILINE,则只会匹配T
DOTALL:使用这个选项之后metacharacter .就可以包括一行的终止字符了,如果没有这个选项,
一行的终止字符,并不会考虑在字符串之内的。
使用这个选项会降低效率
Java代码 复制代码
Pattern p = Pattern.compile(".", Pattern.DOTALL);  
Pattern p = Pattern.compile(".", Pattern.DOTALL);  

如果我们输入的是Test\n,则匹配的字符是5个。
UNICODE_CASE:处理UNICODE字符集,使用这个选项会降低效率
CANON_EQ:一个字符的实际存储形式是经过编码后的数字,使用CANON_EQ选项就可以匹配一个字母在各种编码了。
例如a可以匹配+00E0和U+0061U+0300
使用这个选项会降低效率
我们可以组合以上选项,只要使用|,进行按位或操作即可
Java代码 复制代码
Pattern p =   
Pattern.compile("t # a compound flag example",Pattern.CASE_INSENSITIVE | Pattern.UNICODE_CASE|   
Pattern.COMMENT);  
Pattern p =  Pattern.compile("t # a compound flag example",Pattern.CASE_INSENSITIVE | Pattern.UNICODE_CASE|  Pattern.COMMENT);  

我们还要注意点的时Java对转译字符\的处理,例如我们要匹配一个数字:
我们不能使用:
Java代码 复制代码
Pattern p = Pattern.compile("\d");  
Pattern p = Pattern.compile("\d");  

而是:
Java代码 复制代码
Pattern p = Pattern.compile("\\d");  
Pattern p = Pattern.compile("\\d");  

另外如果regex本身形式是错误的,compile方法会抛出java.util.regex.PatternSyntaxException异常。
下面我们总结一下p lic Matcher matcher(CharSeqnce input)方法:
当我们使用compile操作,创建了Pattern对象之后,我们就可以使用Pattern对象的matcher操作,生成
matcher对象了,Matcher对象包含了许多对匹配结果集的操作,我们在总结Matcher对象的时候再说。另外
顺便提一下参数CharSeqnce,CharB?r, Segment, String, StringB?r, StringBuilder 都实现了
这个接口,所以参数可以是这些中的任一种类型了。
下面我们看看:
Java代码 复制代码
p lic int flags()  
p lic int flags()  

这个方法返回了我们前面可以设置的并且已经设置的flags选项,我们通过按位与来判断是否设置了某个选项:
Java代码 复制代码
int flgs = myPattern.flags();   
boolean isUsingCommentFlag =( Pattern.COMMENTS == (Pattern.COMMENTS & flgs)) ;  
int flgs = myPattern.flags();  boolean isUsingCommentFlag =( Pattern.COMMENTS == (Pattern.COMMENTS & flgs)) ;  

看看一个简化过程的方法:
Java代码 复制代码
p lic static boolean matches (String regex,CharSeqnce input)  
p lic static boolean matches (String regex,CharSeqnce input)  

这个方法实际上是:
Java代码 复制代码
Pattern p = Pattern.compile(regex);   
Matcher m = p.matcher(candidate);   
m.matches()  
 Pattern p = Pattern.compile(regex);   Matcher m = p.matcher(candidate);   m.matches()  

过程的一个简化,我们在后面总结Matcher中的matches方法之后就会理解这个了。
想必我们经常使用把字符串提取出token变成字符串数组的String中的split方法吧,下面我们看看
类似的一个方法:
p lic String[] split(CharSeqnce input)
这个方法提供了强大的功能,因为它可以使用正则表达式来作为token的分割:
Java代码 复制代码
Pattern p = new Pattern.compile(",|and");   
String fruits[] = p.split("apple,banana and orange");  
 Pattern p = new Pattern.compile(",|and");   String fruits[] = p.split("apple,banana and orange");  

split的一个重载的版本:
Java代码 复制代码
p lic String[] split(CharSeqnce input, int limit)  
p lic String[] split(CharSeqnce input, int limit)  

它指定了划分的组数,有以下三种情况:
limit==0
这时候和没有limit参数的那个split效果一样
limit>0
如果你仅仅对前limit个感兴趣,你可以使用limit:
Java代码 复制代码
String[] tmp = pattern.split("Hello, Dolly, You, Are, My, Favorite",3);   
//tmp[0] is  "Hello",   
// tmp[1] is "Dolly";   
//tmp[2] is  "You, Are, My, Favorite";  
String[] tmp = pattern.split("Hello, Dolly, You, Are, My, Favorite",3);  //tmp[0] is  "Hello",  // tmp[1] is "Dolly";  //tmp[2] is  "You, Are, My, Favorite";  

limit<0
会尽可能的划分所有的组,即使分割符后面是个空字符,也要单独生成一个token:""
Java代码 复制代码
Pattern p = Pattern.compile(",");   
String temp[] = p.split("Hello,Dolly,", -1);   
//temp[]={"Hello","Dolly",""}  
Pattern p = Pattern.compile(",");  String temp[] = p.split("Hello,Dolly,", -1);  //temp[]={"Hello","Dolly",""}  

下次再总结Matcher类,和正则表达式的一些高级部分
  评论这张
 
阅读(892)| 评论(0)
推荐 转载

历史上的今天

在LOFTER的更多文章

评论

<#--最新日志,群博日志--> <#--推荐日志--> <#--引用记录--> <#--博主推荐--> <#--随机阅读--> <#--首页推荐--> <#--历史上的今天--> <#--被推荐日志--> <#--上一篇,下一篇--> <#-- 热度 --> <#-- 网易新闻广告 --> <#--右边模块结构--> <#--评论模块结构--> <#--引用模块结构--> <#--博主发起的投票-->
 
 
 
 
 
 
 
 
 
 
 
 
 
 

页脚

网易公司版权所有 ©1997-2016