正則表達(dá)式在處理文本方面用處非常大，最早像在Perl和awk語言中，提供了這種機(jī)制，Java在Java 2中也增加了正則表達(dá)式這個(gè)包java.util.regex。這個(gè)包為用戶使用正則表達(dá)式，提供了易用而全面的支持。我的研究方向是web挖掘。從網(wǎng)頁中提取內(nèi)容,處理文本，當(dāng)然需要正則表達(dá)式這個(gè)強(qiáng)大的工具了。
一、首先我們看一下怎么使用正則表達(dá)式的一個(gè)例子：
A Matcher examines the results of applying a pattern.
我們希望從這句話中找到所有開頭為a的單詞。
當(dāng)然這只是一個(gè)簡單的例子，你可以使用String提供的split方法，得到單詞數(shù)組，然后
遍歷各個(gè)單詞看是否是否開頭為a
我們現(xiàn)在看看怎么使用正則表達(dá)式來處理這個(gè)問題：
import java.util.regex.*;
public class FindA{
public 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: ");
}
}
}
從這個(gè)例子我們可以看到正則表達(dá)式涉及到的兩個(gè)類Matcher和Pattern,我們以后會(huì)專門討論著連個(gè)類。現(xiàn)在主要看看使用正則表達(dá)式的流程：
首先使用 Pattern的一個(gè)靜態(tài)的方法compile來創(chuàng)建Pattern對(duì)象，
Pattern p = Pattern.compile(regex);
然后調(diào)用Pattern的方法matcher
Matcher m = p.matcher(candidate);
得到了Matcher對(duì)象，Matcher對(duì)象保存了許多匹配信息，然后可以通過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方法得到匹配的各組值，
否則find返回false.
當(dāng)然這只是一般的過程，還有許多更細(xì)的方法，在以后會(huì)陸續(xù)的總結(jié)，下面我們看一下
String regex = "\\ba\\w*\\b";
這個(gè)就是一個(gè)正則表達(dá)式，b,w,*都是正則表達(dá)式的meta character原字符，
\b表示單詞的邊界，w表示任意的可構(gòu)成單詞的字母數(shù)字，*表示前面的字母(當(dāng)然可以
是更復(fù)雜的組之類的了東東)重復(fù)0次或0次以上，a當(dāng)然還是a了。所以這個(gè)regex就
匹配單詞開頭為a的單詞了。
二、下面總結(jié)一下基本的正則表達(dá)式的meta character以及它們含義：
. 匹配任意一個(gè)字符 $ 匹配一行的結(jié)尾 ^ 匹配一行的開頭(在[]里面表示否定)
{} 定義了一個(gè)范圍 [] 定義了一個(gè)字符類 () 定義了一個(gè)組
*前面出現(xiàn)0次以上 + 前面匹配一次以上 ?前面出現(xiàn)0次或一次
\ 后面的字符不會(huì)看作metacharacter \w 字母數(shù)字下劃線 \W 非字母數(shù)字下劃線
\d 單個(gè)數(shù)字 \D單個(gè)非數(shù)字 | 或，二者之一 &&與操作符 \b單詞邊界
下面看看幾個(gè)簡單的例子：
[abc] a、b 或 c（簡單類）
[^abc] 任何字符，除了a、b 或 c（否定）
[a-zA-Z] a 到 z 或 A 到 Z，兩頭的字母包括在內(nèi)（范圍）
[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]（減去）
[a-z&&[^m-p]] a 到 z，而非 m 到 p：[a-lq-z]（減去）
三、java.util.regex提供的操作接口：
java.util.regex包提供了操作正則表達(dá)式的模型，整個(gè)模型優(yōu)雅而簡潔，只有三個(gè)類：Pattern、Matcher和
PatternSyntaxException。下面將要總結(jié)他們提供的方法，以及如何靈活應(yīng)用來處理文本。
我們還是從Pattern的靜態(tài)工廠方法來擴(kuò)展吧：
static Pattern compile(String regex)
將給定的正則表達(dá)式編譯到模式中，并創(chuàng)建Pattern對(duì)象，這個(gè)方法通常是操作正則表達(dá)式的第一步，從前面那個(gè)例子
我們也可以看到整個(gè)的流程。
在看看一個(gè)重載的compile方法：
static Pattern compile(String regex, int flags)
將給定的正則表達(dá)式編譯到具有給定標(biāo)志的模式中。 這個(gè)方法參數(shù)flags提供了一些特殊的選項(xiàng)來用于特殊的處理，
我們下面看看可使用的選項(xiàng)：
UNIX_LINES：這個(gè)主要處理UNIX和其他的操作系統(tǒng)在行結(jié)束符不一樣的問題，UNIX使用\n代表一行的終止，而Windows
則使用了\r\n,\n,\r,\u2028或者\(yùn)u0085作為一行的結(jié)束符。
CASE_INSENSITIVE：當(dāng)我們?cè)谄ヅ涞臅r(shí)候要忽略字符大小寫時(shí)
COMMENTS:允許我們?cè)谡齽t表達(dá)式中使用注釋，例如
Pattern p =Pattern.compile("A #matches uppercase US-ASCII char code 65",Pattern.COMMENTS);
MULTILINE:表明要輸入多行，他們有自己的終止字符。
Pattern p = Pattern.compile("^", Pattern.MULTILINE);
如果你的輸入的字符串是：This is a sentence.\n So is this..
這樣我們匹配的字符時(shí)This中的T和So中的S，如果不使用MULTILINE，則只會(huì)匹配T
DOTALL:使用這個(gè)選項(xiàng)之后metacharacter .就可以包括一行的終止字符了，如果沒有這個(gè)選項(xiàng)，
一行的終止字符，并不會(huì)考慮在字符串之內(nèi)的。
使用這個(gè)選項(xiàng)會(huì)降低效率
Pattern p = Pattern.compile(".", Pattern.DOTALL);
如果我們輸入的是Test\n，則匹配的字符是5個(gè)。
UNICODE_CASE:處理UNICODE字符集，使用這個(gè)選項(xiàng)會(huì)降低效率
CANON_EQ：一個(gè)字符的實(shí)際存儲(chǔ)形式是經(jīng)過編碼后的數(shù)字，使用CANON_EQ選項(xiàng)就可以匹配一個(gè)字母在各種編碼了。
例如a可以匹配+00E0和U+0061U+0300
使用這個(gè)選項(xiàng)會(huì)降低效率
我們可以組合以上選項(xiàng)，只要使用|,進(jìn)行按位或操作即可
Pattern p =
Pattern.compile("t # a compound flag example",Pattern.CASE_INSENSITIVE | Pattern.UNICODE_CASE|
Pattern.COMMENT);
我們還要注意點(diǎn)的時(shí)Java對(duì)轉(zhuǎn)譯字符\的處理，例如我們要匹配一個(gè)數(shù)字：
我們不能使用：
Pattern p = Pattern.compile("\d");
而是：
Pattern p = Pattern.compile("\\d");
另外如果regex本身形式是錯(cuò)誤的，compile方法會(huì)拋出java.util.regex.PatternSyntaxException異常。
下面我們總結(jié)一下public Matcher matcher(CharSequence input)方法：
當(dāng)我們使用compile操作，創(chuàng)建了Pattern對(duì)象之后，我們就可以使用Pattern對(duì)象的matcher操作，生成
matcher對(duì)象了，Matcher對(duì)象包含了許多對(duì)匹配結(jié)果集的操作，我們?cè)诳偨Y(jié)Matcher對(duì)象的時(shí)候再說。另外
順便提一下參數(shù)CharSequence，CharBuffer, Segment, String, StringBuffer,StringBuilder 都實(shí)現(xiàn)了
這個(gè)接口，所以參數(shù)可以是這些中的任一種類型了。
下面我們看看：
這個(gè)方法返回了我們前面可以設(shè)置的并且已經(jīng)設(shè)置的flags選項(xiàng)，我們通過按位與來判斷是否設(shè)置了某個(gè)選項(xiàng)：
int flgs = myPattern.flags();
boolean isUsingCommentFlag =( Pattern.COMMENTS == (Pattern.COMMENTS & flgs)) ;
看看一個(gè)簡化過程的方法：
public static boolean matches (String regex,CharSequence input)
這個(gè)方法實(shí)際上是：
Pattern p = Pattern.compile(regex);
Matcher m = p.matcher(candidate);
m.matches()
過程的一個(gè)簡化,我們?cè)诤竺婵偨Y(jié)Matcher中的matches方法之后就會(huì)理解這個(gè)了。
想必我們經(jīng)常使用把字符串提取出token變成字符串?dāng)?shù)組的String中的split方法吧，下面我們看看
類似的一個(gè)方法：
public String[] split(CharSequence input)
這個(gè)方法提供了強(qiáng)大的功能，因?yàn)樗梢允褂谜齽t表達(dá)式來作為token的分割：
Pattern p = new Pattern.compile(",|and");
String fruits[] = p.split("apple,banana and orange");
split的一個(gè)重載的版本：
public String[] split(CharSequence input, int limit)
它指定了劃分的組數(shù)，有以下三種情況：
limit==0
這時(shí)候和沒有l(wèi)imit參數(shù)的那個(gè)split效果一樣
limit>0
如果你僅僅對(duì)前l(fā)imit個(gè)感興趣，你可以使用limit：
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
會(huì)盡可能的劃分所有的組，即使分割符后面是個(gè)空字符，也要單獨(dú)生成一個(gè)token:""
Pattern p = Pattern.compile(",");
String temp[] = p.split("Hello,Dolly,", -1);
//temp[]={"Hello","Dolly",""}
下次再總結(jié)Matcher類，和正則表達(dá)式的一些高級(jí)部分
