|
如果你曾經(jīng)用過Perl或任何其他內(nèi)建正則表達(dá)式支持的語言，你一定知道用正則表達(dá)式處理文本和匹配模式是多么簡單。如果你不熟悉這個(gè)術(shù)語，那么“正則表達(dá)式”（Regular Expression）就是一個(gè)字符構(gòu)成的串，它定義了一個(gè)用來搜索匹配字符串的模式。
許多語言，包括Perl、PHP、Python、JavaScript和JScript，都支持用正則表達(dá)式處理文本，一些文本編輯器用正則表達(dá)式實(shí)現(xiàn)高級“搜索-替換”功能。那么Java又怎樣呢？本文寫作時(shí)，一個(gè)包含了用正則表達(dá)式進(jìn)行文本處理的Java規(guī)范需求（Specification Request）已經(jīng)得到認(rèn)可，你可以期待在JDK的下一版本中看到它。
然而，如果現(xiàn)在就需要使用正則表達(dá)式，又該怎么辦呢？你可以從Apache.org下載源代碼開放的Jakarta-ORO庫。本文接下來的內(nèi)容先簡要地介紹正則表達(dá)式的入門知識，然后以Jakarta-ORO API為例介紹如何使用正則表達(dá)式。
[separator]
一、正則表達(dá)式基礎(chǔ)知識
我們先從簡單的開始。假設(shè)你要搜索一個(gè)包含字符“cat”的字符串，搜索用的正則表達(dá)式就是“cat”。如果搜索對大小寫不敏感，單詞“catalog”、“Catherine”、“sophisticated”都可以匹配。也就是說：
1.1 句點(diǎn)符號
假設(shè)你在玩英文拼字游戲，想要找出三個(gè)字母的單詞，而且這些單詞必須以“t”字母開頭，以“n”字母結(jié)束。另外，假設(shè)有一本英文字典，你可以用正則表達(dá)式搜索它的全部內(nèi)容。要構(gòu)造出這個(gè)正則表達(dá)式，你可以使用一個(gè)通配符——句點(diǎn)符號“.”。這樣，完整的表達(dá)式就是“t.n”，它匹配“tan”、“ten”、“tin”和“ton”，還匹配“t#n”、“tpn”甚至“t n”，還有其他許多無意義的組合。這是因?yàn)榫潼c(diǎn)符號匹配所有字符，包括空格、Tab字符甚至換行符：
1.2 方括號符號
為了解決句點(diǎn)符號匹配范圍過于廣泛這一問題，你可以在方括號（“[]”）里面指定看來有意義的字符。此時(shí)，只有方括號里面指定的字符才參與匹配。也就是說，正則表達(dá)式“t[aeio]n”只匹配“tan”、“Ten”、“tin”和“ton”。但“Toon”不匹配，因?yàn)樵诜嚼ㄌ栔畠?nèi)你只能匹配單個(gè)字符：
1.3 “或”符號
如果除了上面匹配的所有單詞之外，你還想要匹配“toon”，那么，你可以使用“|”操作符。“|”操作符的基本意義就是“或”運(yùn)算。要匹配“toon”，使用“t(a|e|i|o|oo)n”正則表達(dá)式。這里不能使用方擴(kuò)號，因?yàn)榉嚼ㄌ栔辉试S匹配單個(gè)字符；這里必須使用圓括號“()”。圓括號還可以用來分組，具體請參見后面介紹。
1.4 表示匹配次數(shù)的符號
表一顯示了表示匹配次數(shù)的符號，這些符號用來確定緊靠該符號左邊的符號出現(xiàn)的次數(shù)：
假設(shè)我們要在文本文件中搜索美國的社會安全號碼。這個(gè)號碼的格式是999-99-9999。用來匹配它的正則表達(dá)式如圖一所示。在正則表達(dá)式中，連字符（“-”）有著特殊的意義，它表示一個(gè)范圍，比如從0到9。因此，匹配社會安全號碼中的連字符號時(shí)，它的前面要加上一個(gè)轉(zhuǎn)義字符“\”。
圖一：匹配所有123-12-1234形式的社會安全號碼
假設(shè)進(jìn)行搜索的時(shí)候，你希望連字符號可以出現(xiàn)，也可以不出現(xiàn)——即，999-99-9999和999999999都屬于正確的格式。這時(shí)，你可以在連字符號后面加上“？”數(shù)量限定符號，如圖二所示：
圖二：匹配所有123-12-1234和123121234形式的社會安全號碼
下面我們再來看另外一個(gè)例子。美國汽車牌照的一種格式是四個(gè)數(shù)字加上二個(gè)字母。它的正則表達(dá)式前面是數(shù)字部分“[0-9]”，再加上字母部分“[A-Z]”。圖三顯示了完整的正則表達(dá)式。
圖三：匹配典型的美國汽車牌照號碼，如8836KV
1.5 “否”符號
“^”符號稱為“否”符號。如果用在方括號內(nèi)，“^”表示不想要匹配的字符。例如，圖四的正則表達(dá)式匹配所有單詞，但以“X”字母開頭的單詞除外。
圖四：匹配所有單詞，但“X”開頭的除外
1.6 圓括號和空白符號
假設(shè)要從格式為“June 26, 1951”的生日日期中提取出月份部分，用來匹配該日期的正則表達(dá)式可以如圖五所示：
五：匹配所有Moth DD,YYYY格式的日期
新出現(xiàn)的“\s”符號是空白符號，匹配所有的空白字符，包括Tab字符。如果字符串正確匹配，接下來如何提取出月份部分呢？只需在月份周圍加上一個(gè)圓括號創(chuàng)建一個(gè)組，然后用ORO API（本文后面詳細(xì)討論）提取出它的值。修改后的正則表達(dá)式如圖六所示：
圖六：匹配所有Month DD,YYYY格式的日期，定義月份值為第一個(gè)組
1.7 其它符號
為簡便起見，你可以使用一些為常見正則表達(dá)式創(chuàng)建的快捷符號。如表二所示：
表二：常用符號
例如，在前面社會安全號碼的例子中，所有出現(xiàn)“[0-9]”的地方我們都可以使用“\d”。修改后的正則表達(dá)式如圖七所示
圖七：匹配所有123-12-1234格式的社會安全號碼
二、Jakarta-ORO庫
有許多源代碼開放的正則表達(dá)式庫可供Java程序員使用，而且它們中的許多支持Perl 5兼容的正則表達(dá)式語法。我在這里選用的是Jakarta-ORO正則表達(dá)式庫，它是最全面的正則表達(dá)式API之一，而且它與Perl 5正則表達(dá)式完全兼容。另外，它也是優(yōu)化得最好的API之一。
Jakarta-ORO庫以前叫做OROMatcher，Daniel Savarese大方地把它贈(zèng)送給了Jakarta Project。你可以按照本文最后參考資源的說明下載它。
我首先將簡要介紹使用Jakarta-ORO庫時(shí)你必須創(chuàng)建和訪問的對象，然后介紹如何使用Jakarta-ORO API。
▲ PatternCompiler對象
首先，創(chuàng)建一個(gè)Perl5Compiler類的實(shí)例，并把它賦值給PatternCompiler接口對象。Perl5Compiler是PatternCompiler接口的一個(gè)實(shí)現(xiàn)，允許你把正則表達(dá)式編譯成用來匹配的Pattern對象。
▲ Pattern對象
要把正則表達(dá)式編譯成Pattern對象，調(diào)用compiler對象的compile()方法，并在調(diào)用參數(shù)中指定正則表達(dá)式。例如，你可以按照下面這種方式編譯正則表達(dá)式“t[aeio]n”：
默認(rèn)情況下，編譯器創(chuàng)建一個(gè)大小寫敏感的模式（pattern）。因此，上面代碼編譯得到的模式只匹配“tin”、“tan”、 “ten”和“ton”，但不匹配“Tin”和“taN”。要?jiǎng)?chuàng)建一個(gè)大小寫不敏感的模式，你應(yīng)該在調(diào)用編譯器的時(shí)候指定一個(gè)額外的參數(shù)：
創(chuàng)建好Pattern對象之后，你就可以通過PatternMatcher類用該P(yáng)attern對象進(jìn)行模式匹配。
▲ PatternMatcher對象
PatternMatcher對象根據(jù)Pattern對象和字符串進(jìn)行匹配檢查。你要實(shí)例化一個(gè)Perl5Matcher類并把結(jié)果賦值給PatternMatcher接口。Perl5Matcher類是PatternMatcher接口的一個(gè)實(shí)現(xiàn)，它根據(jù)Perl 5正則表達(dá)式語法進(jìn)行模式匹配：
使用PatternMatcher對象，你可以用多個(gè)方法進(jìn)行匹配操作，這些方法的第一個(gè)參數(shù)都是需要根據(jù)正則表達(dá)式進(jìn)行匹配的字符串：
boolean matches(String input, Pattern pattern)：當(dāng)輸入字符串和正則表達(dá)式要精確匹配時(shí)使用。換句話說，正則表達(dá)式必須完整地描述輸入字符串。
boolean matchesPrefix(String input, Pattern pattern)：當(dāng)正則表達(dá)式匹配輸入字符串起始部分時(shí)使用。
boolean contains(String input, Pattern pattern)：當(dāng)正則表達(dá)式要匹配輸入字符串的一部分時(shí)使用（即，它必須是一個(gè)子串）。
另外，在上面三個(gè)方法調(diào)用中，你還可以用PatternMatcherInput對象作為參數(shù)替代String對象；這時(shí)，你可以從字符串中最后一次匹配的位置開始繼續(xù)進(jìn)行匹配。當(dāng)字符串可能有多個(gè)子串匹配給定的正則表達(dá)式時(shí)，用PatternMatcherInput對象作為參數(shù)就很有用了。用PatternMatcherInput對象作為參數(shù)替代String時(shí)，上述三個(gè)方法的語法如下：
boolean matches(PatternMatcherInput input, Pattern pattern)
boolean matchesPrefix(PatternMatcherInput input, Pattern pattern)
boolean contains(PatternMatcherInput input, Pattern pattern)
三、應(yīng)用實(shí)例
下面我們來看看Jakarta-ORO庫的一些應(yīng)用實(shí)例。
3.1 日志文件處理
任務(wù)：分析一個(gè)Web服務(wù)器日志文件，確定每一個(gè)用戶花在網(wǎng)站上的時(shí)間。在典型的BEA WebLogic日志文件中，日志記錄的格式如下：
分析這個(gè)日志記錄，可以發(fā)現(xiàn)，要從這個(gè)日志文件提取的內(nèi)容有兩項(xiàng)：IP地址和頁面訪問時(shí)間。你可以用分組符號（圓括號）從日志記錄提取出IP地址和時(shí)間標(biāo)記。
首先我們來看看IP地址。IP地址有4個(gè)字節(jié)構(gòu)成，每一個(gè)字節(jié)的值在0到255之間，各個(gè)字節(jié)通過一個(gè)句點(diǎn)分隔。因此，IP地址中的每一個(gè)字節(jié)有至少一個(gè)、最多三個(gè)數(shù)字。圖八顯示了為IP地址編寫的正則表達(dá)式：
圖八：匹配IP地址
IP地址中的句點(diǎn)字符必須進(jìn)行轉(zhuǎn)義處理（前面加上“\”），因?yàn)镮P地址中的句點(diǎn)具有它本來的含義，而不是采用正則表達(dá)式語法中的特殊含義。句點(diǎn)在正則表達(dá)式中的特殊含義本文前面已經(jīng)介紹。
日志記錄的時(shí)間部分由一對方括號包圍。你可以按照如下思路提取出方括號里面的所有內(nèi)容：首先搜索起始方括號字符（“[”），提取出所有不超過結(jié)束方括號字符（“]”）的內(nèi)容，向前尋找直至找到結(jié)束方括號字符。圖九顯示了這部分的正則表達(dá)式。
圖九：匹配至少一個(gè)字符，直至找到“]”
現(xiàn)在，把上述兩個(gè)正則表達(dá)式加上分組符號（圓括號）后合并成單個(gè)表達(dá)式，這樣就可以從日志記錄提取出IP地址和時(shí)間。注意，為了匹配“- -”（但不提取它），正則表達(dá)式中間加入了“\s-\s-\s”。完整的正則表達(dá)式如圖十所示。
圖十：匹配IP地址和時(shí)間標(biāo)記
現(xiàn)在正則表達(dá)式已經(jīng)編寫完畢，接下來可以編寫使用正則表達(dá)式庫的Java代碼了。
為使用Jakarta-ORO庫，首先創(chuàng)建正則表達(dá)式字符串和待分析的日志記錄字符串：
這里使用的正則表達(dá)式與圖十的正則表達(dá)式差不多完全相同，但有一點(diǎn)例外：在Java中，你必須對每一個(gè)向前的斜杠（“\”）進(jìn)行轉(zhuǎn)義處理。圖十不是Java的表示形式，所以我們要在每個(gè)“\”前面加上一個(gè)“\”以免出現(xiàn)編譯錯(cuò)誤。遺憾的是，轉(zhuǎn)義處理過程很容易出現(xiàn)錯(cuò)誤，所以應(yīng)該小心謹(jǐn)慎。你可以首先輸入未經(jīng)轉(zhuǎn)義處理的正則表達(dá)式，然后從左到右依次把每一個(gè)“\”替換成“\”。如果要復(fù)檢，你可以試著把它輸出到屏幕上。
初始化字符串之后，實(shí)例化PatternCompiler對象，用PatternCompiler編譯正則表達(dá)式創(chuàng)建一個(gè)Pattern對象：
現(xiàn)在，創(chuàng)建PatternMatcher對象，調(diào)用PatternMatcher接口的contain()方法檢查匹配情況：
下來，利用PatternMatcher接口返回的MatchResult對象，輸出匹配的組。由于logEntry字符串包含匹配的內(nèi)容，你可以看到類如下面的輸出：
3.2 HTML處理實(shí)例一
下面一個(gè)任務(wù)是分析HTML頁面內(nèi)FONT標(biāo)記的所有屬性。HTML頁面內(nèi)典型的FONT標(biāo)記如下所示：
程序?qū)凑杖缦滦问剑敵雒恳粋€(gè)FONT標(biāo)記的屬性：
在這種情況下，我建議你使用兩個(gè)正則表達(dá)式。第一個(gè)如圖十一所示，它從字體標(biāo)記提取出“"face="Arial, Serif" size="+2" color="red"”。
圖十一：匹配FONT標(biāo)記的所有屬性
第二個(gè)正則表達(dá)式如圖十二所示，它把各個(gè)屬性分割成名字-值對。
圖十二：匹配單個(gè)屬性，并把它分割成名字-值對
分割結(jié)果為：
現(xiàn)在我們來看看完成這個(gè)任務(wù)的Java代碼。首先創(chuàng)建兩個(gè)正則表達(dá)式字符串，用Perl5Compiler把它們編譯成Pattern對象。編譯正則表達(dá)式的時(shí)候，指定Perl5Compiler.CASE_INSENSITIVE_MASK選項(xiàng)，使得匹配操作不區(qū)分大小寫。
接下來，創(chuàng)建一個(gè)執(zhí)行匹配操作的Perl5Matcher對象
假設(shè)有一個(gè)String類型的變量html，它代表了HTML文件中的一行內(nèi)容。如果html字符串包含F(xiàn)ONT標(biāo)記，匹配器將返回true。此時(shí)，你可以用匹配器對象返回的MatchResult對象獲得第一個(gè)組，它包含了FONT的所有屬性：
接下來創(chuàng)建一個(gè)PatternMatcherInput對象。這個(gè)對象允許你從最后一次匹配的位置開始繼續(xù)進(jìn)行匹配操作，因此，它很適合于提取FONT標(biāo)記內(nèi)屬性的名字-值對。創(chuàng)建PatternMatcherInput對象，以參數(shù)形式傳入待匹配的字符串。然后，用匹配器實(shí)例提取出每一個(gè)FONT的屬性。這通過指定PatternMatcherInput對象（而不是字符串對象）為參數(shù)，反復(fù)地調(diào)用PatternMatcher對象的contains()方法完成。PatternMatcherInput對象之中的每一次迭代將把它內(nèi)部的指針向前移動(dòng)，下一次檢測將從前一次匹配位置的后面開始。
本例的輸出結(jié)果如下：
3.3 HTML處理實(shí)例二
下面我們來看看另一個(gè)處理HTML的例子。這一次，我們假定Web服務(wù)器從widgets.acme.com移到了newserver.acme.com。現(xiàn)在你要修改一些頁面中的鏈接：
執(zhí)行這個(gè)搜索的正則表達(dá)式如圖十三所示：
圖十三：匹配修改前的鏈接
如果能夠匹配這個(gè)正則表達(dá)式，你可以用下面的內(nèi)容替換圖十三的鏈接：
注意#字符的后面加上了。Perl正則表達(dá)式語法用、等表示已經(jīng)匹配且提取出來的組。圖十三的表達(dá)式把所有作為一個(gè)組匹配和提取出來的內(nèi)容附加到鏈接的后面。
現(xiàn)在，返回Java。就象前面我們所做的那樣，你必須創(chuàng)建測試字符串，創(chuàng)建把正則表達(dá)式編譯到Pattern對象所必需的對象，以及創(chuàng)建一個(gè)PatternMatcher對
接下來，用com.oroinc.text.regex包Util類的substitute()靜態(tài)方法進(jìn)行替換，輸出結(jié)果字符串：
Util.substitute()方法的語法如下：
這個(gè)調(diào)用的前兩個(gè)參數(shù)是以前創(chuàng)建的PatternMatcher和Pattern對象。第三個(gè)參數(shù)是一個(gè)Substiution對象，它決定了替換操作如何進(jìn)行。本例使用的是Perl5Substitution對象，它能夠進(jìn)行Perl5風(fēng)格的替換。第四個(gè)參數(shù)是想要進(jìn)行替換操作的字符串，最后一個(gè)參數(shù)允許指定是否替換模式的所有匹配子串（Util.SUBSTITUTE_ALL），或只替換指定的次數(shù)。
【結(jié)束語】在這篇文章中，我為你介紹了正則表達(dá)式的強(qiáng)大功能。只要正確運(yùn)用，正則表達(dá)式能夠在字符串提取和文本修改中起到很大的作用。另外，我還介紹了如何在Java程序中通過Jakarta-ORO庫利用正則表達(dá)式。至于最終采用老式的字符串處理方式（使用StringTokenizer，charAt，和substring），還是采用正則表達(dá)式，這就有待你自己決定了。
|