正則表達式學習經驗分析第1/2頁

2020-01-20 22:24:07

字體：大中小

來源：轉載

供稿：網友

  當然，為了指定一種模式，使用...這種記號是不夠精確的。你需要精確地指定什么樣的字符排列是一個合法的匹配。當描述某種模式時，你需要使用一種特殊的語法。

  這里有一個簡單例子。正則表達式
[Jj]ava.+
匹配下列形式的任何字符串：

首字母是J或j
后續的三個字母是ava
字符串的剩余部分由一個或多個任意字符組成

  例如，字符串“javaness”匹配這個特殊的正則表達式，但是字符串“Core Java”卻不匹配。

  如你所見，你需要了解一點語法來理解正則表達式的含意。幸運的是對于大多數的用途，使用少量的簡單構造（straightforward constructs）就已足夠。

字符類是可選自符的集合，用‘['封裝，比如[Jj],[0-9],[A-Za-z]或[^0-9]。這里的-表示范圍（Unicode落在兩個邊界之間的所有字符），^表示求補（指定字符外的所有字符）。
有許多預定以的字符類，像/d（數字）或/p{Sc}（Unicode貨幣符號），見表12-8和12-9。
大多數字符與它們自身匹配，像上例中的ava字符。
符號.匹配任何字符（可能行終止符（line terminators）除外，這依賴于標識設置（flag settings））
/用作轉義符，比如/.匹配一個句點，//匹配一個反斜杠。
^和$分別匹配行頭和行尾
如果X和Y都是正則表達式，則XY表示“X的匹配后面跟著Y的匹配”。X|Y表示“任何X或Y的匹配”
可以將量詞（quantifier）用到表達式中，X+ 表示X重復1次或多次，X* 表示X重復0次或多次，X? 表示X重復0次或1次
默認地，一個量詞總是與使總體成功匹配的最長的可能重復匹配?？梢约由虾缶Y？（稱為reluctant或stingy 匹配，用以匹配最小的重復數），和+（稱為possessive或貪婪匹配，用以即使在總體匹配失敗的情況下也匹配最大的重復數）來更改這種屬性。

例如，字符串cab匹配[a-z]*ab，但不匹配[a-z]*+ab。第一種情況下，[a-z]*只匹配字符c，因此字符ab正好與模式的剩余部分匹配。但是貪婪版本[a-z]*+就與字符cab匹配，模式的剩余部分ab就匹配失敗（，這樣總體也就匹配失敗）。

可以使用分組來定義子表達式。將分組封裝在（）中，如([+-]?)([0-9]+)。然后你可以讓模式匹配符（the pattern matcher）返回每個分組的匹配，或者使用/n來回引分組（refer back to a group with /n），其中n是組號（以/1起始）

  這里有一個稍微有點復雜卻又很有用的正則表達式－－它用來描述十進制和十六進制的整數。
[+-]?[0-9]+|0[Xx][0-9A-Fa-f]+

  不幸的是，在使用正則表達式的各種程序和庫之間，它的語法還沒有完全標準化。對基本的構造上已達成了共識，但在細節方面有許多令人“抓狂”的區別（many maddening differences）。Java的正則表達式類使用了與Perl語言類似的語法，但也不盡相同。表12-8顯示了Java語法的所有正則表達式構造。要了解更多關于正則表達式的信息，請參考Pattern類的API文檔，或者Jeffrey E. F. Friedl的著作《Mastering Regular Expressions》(O'Reilly and Associates, 1997)（剛去第二書店查了一下，東南大學出版社已經引入了其第二版，影?。?

表12-8 正則表達式語法

--------------------------------------------------------------------------------
語法                                       解釋

--------------------------------------------------------------------------------
字符
c                                         字符c
/unnnn, /xnn, /0n, /0nn, /0nnn       帶有十六或八進制值的代碼單元

/0n                             八進制0n代表的字符（0<=n<=7）

/0nn                           八進制0nn代表的字符(0<=n<=7)

/0mnn                         八進制0mnn代表的字符(0<=m<=3,0<=n<=7)

/xnn                           十六進制 0xnn所代表的字符

/uhhhh                         十六進制 0xhhhh所代表的字符

/t, /n, /r, /f, /a, /e                         控制字符，依次是制表符，換行符，回車符，換頁符，報警符和轉義符
/cc                                       控制字符中出現的相應字符c

--------------------------------------------------------------------------------
字符類
[C1C2. . .]               C1、C2……中的任何字符。Ci可以是字符，字符范圍（C1-C2）或者字符類。
[^. . .]                     字符類的補集
[ . . . && . . .]             兩個字符類的交集

--------------------------------------------------------------------------------
預定義字符類
.                           除行終止符外的任何字符（如果DOTALL標志置位，則表示任何字符）
/d                         數字[0-9]
/D                         非數字[^0-9]
/s                         空白字符[/t/n/r/f/x0B]
/S                         非空白字符
/w                         單詞字符[a-zA-Z0-9_]
/W                       非單詞字符
/p{name}                 一個指定的字符類，見表12-9
/P{name}               指定字符類的補集

--------------------------------------------------------------------------------
邊界匹配符
^ $                       輸入的開頭和結尾(在多行模式(multiline mode)下是行的開頭和結尾)
/b                         單詞邊界
/B                         非單詞邊界
/A                         輸入的開頭
/z                         輸入的結尾
/Z                         除最后行終止符之外的輸入結尾
/G                       上個匹配的結尾

--------------------------------------------------------------------------------
量詞
X?                         可選的X（即X可能出現，也可能不出現）
X*                         X，可以重復0次或多次
X+                         X，可以重復1次或多次
X{n} X{n,} X{n,m}       X重復n次，至少重復n次，重復n到m次

--------------------------------------------------------------------------------
量詞后綴
?                       設默認（貪婪）匹配為reluctant匹配
+                       設默認（貪婪）匹配為possessive匹配

--------------------------------------------------------------------------------
集合操作
XY                       X的匹配后面跟著Y的匹配
X|Y                       X或Y的匹配

--------------------------------------------------------------------------------
分組
(X)                     匹配X并且在一個自動計數的分組中捕獲它
/n                       與第n個分組的匹配

--------------------------------------------------------------------------------
轉義
/c                       字符c（必須不是字母）
/Q.../E                   逐字地引用...
（？...）               特殊構造，看Pattern類的API

--------------------------------------------------------------------------------

  正則表達式的最簡單使用是測試一個特殊的字符串是否與之匹配。這里有一個Java寫的測試程序。首先從表示正則表達式的字符串構造一個Pattern對象。然后從該模式獲得一個Matcher對象，并且調用它的matches()方法：

Pattern pattern = Pattern.compile(patternString);

Matcher matcher = pattern.matcher(input);

if (matcher.matches()) . . .

  表12.9 預定義的字符類名（Predefined Character Class Names）

--------------------------------------------------------------------------------
Lower                 小寫的ASII字符[a-z]
Upper                 大寫的ASCII字符[A-Z]
Alpha                 ASCII字母[A-Za-z]
Digit                   ASCII 數字 [0-9]
Alnum                 ASCII 字母或數字[A-Za-z0-9]
Xdigit                 十六進制數字[0-9A-Fa-f]
Print or Graph       可打印的ASCII字符[/x21-/x7E]
Punct                 非字母或數字ASCII [/p{Print}&&/P{Alnum}]
ASCII                 所有ASCII字符 [/x00-/x7F]
Cntrl                 ASCII控制字符[/x00-/x1F]
Blank                 空格符或制表符[ /t]
Space                 空白符 [ /t/n/r/f/0x0B]
javaLowerCase     取決于Character.isLowerCase()的小寫字符
javaUpperCase     取決于Character.isUpperCase()的大寫字符
javaWhitespace   取決于Character.isWhitespace()的空白符
javaMirrored         取決于Character.isMirrored()的Mirrored（？）
InBlock               這里的Block是unicode字符的塊名，用空格隔開，比如BasicLatin 或 Mongolian。塊名列表                       參考http://www.unicode.org
Category 或InCategory   這里的Category是Unicode字符的種類名，比如L（字母）或者Sc（貨幣符號）。種類                           名列表參考http://www.unicode.org

--------------------------------------------------------------------------------

  matcher的輸入可以是實現CharSequence接口的任何類對象，像String，StringBuilder或CharBuffer。

  當編譯模式時，可以設置一個或多個標志，例如

Pattern pattern = Pattern.compile(patternString,

Pattern.CASE_INSENSITIVE + Pattern.UNICODE_CASE);

下面六個標志都是支持的：

CASE_INSENSITIVE：匹配字符時與大小寫無關，該標志默認只考慮US ASCII字符。

UNICODE_CASE：當與CASE_INSENSITIVE結合時，使用Unicode字母匹配

MULTILINE：^和$匹配一行的開始和結尾，而不是整個輸入

UNIX_LINES：當在多行模式下匹配^和$時，只將'/n'看作行終止符

DOTALL: 當使用此標志時，.符號匹配包括行終止符在內的所有字符

CANON_EQ: 考慮Unicode字符的規范等價

  如果正則表達式包含分組，Matcher對象能夠揭示分組邊界。方法

int start(int groupIndex)

int end(int groupIndex)

返回某個特殊分組的起始索引和結尾后索引（past-the-end index ）。
通過調用String group(int groupIndex)，你可以簡單地得到匹配的字符串。
第0個分組代表所有的分組，第一個實際分組的索引是1。調用groupCount來獲得總的分組數。

  使用開放圓括號來安排嵌套分組。例如，給定模式((1?[0-9]):([0-5][0-9]))[ap]m，并且輸入11:59am,Matcher對象報告下列分組
((1?[0-9]):([0-5][0-9]))[ap]m
并輸入
11:59am
matcher報告下列分組

--------------------------------------------------------------------------------
分組索引起始結束字符串

--------------------------------------------------------------------------------
0         0       7     11;59am
1         0       5     11:59
2         0       2     11
3         3       5     59

--------------------------------------------------------------------------------

12 下一頁閱讀全文

上一篇：web標準知識――豐富段落里的標簽

下一篇：javascript正則表達式分析第1/2頁