彻底研究 Java 中的正则表达式

　　/*以下是我最近研究正则表达式的成果希望能对大家有帮助。其中也有我遇到的不明白之处，各位有精通的请发mail给我讲讲。还有有谁对javascript的正则表达式精通请给大家发一下吧。这些东东都是javadoc上有的，还有一些是我在java.sun.com/docs/books/tutorial/extra/regex/index.html上看到的，我建议对正则表达式感兴趣的不妨上去看看，很不错。
　　*/
　　package testreg;
　　import java.util.regex.Matcher;
　　import java.util.regex.Pattern;
　　
　　/**
　　* <p>Title: 正则表达式的研究</p>
　　* <p>Description:
　　* 最近在工作中常常用到一些正则表达式的使用问题，到网上去找介绍大多是一鳞半爪。求人不如求已。一狠心，自己看!这两天利用我们项目两期之间的一点空闲对J2SE所支持的正则表达式来了个彻底研究!代价是……就是浪废了部门近十二张白纸。闲话少说，书归正传。
　　* 原理：
　　*　　 正则表达式的原理是有限状态自动机，自动机内部有有限个状态，有一个初始状态，有一个结束状态。自动机根据输入和自身内部的当前状态来决定下一步于什么。呵呵，这是很久以前学的东东了也记不清了，大家只作参照吧。
　　* Java中的正则表达式：
　　*　　 从J2SE1.4起Java增加了对正则表达式的支持就是java.util.regex包，这个包中主要有3个类:Pattern,代表模式，就是正则表达式自身，Matcher，是一个有限状态自动机，其实大多数的活还是让Pattern类于了，Matcher往往只是简单的调用Pattern，不知道这是什么模式。这两个类写的都很经典，还有不少算法在内值得有功力的人仔细研究一下。另一个是一个异常类当所用正则表达式不正确时抛出，是运行时异常。
　　* 几个难点：
　　*　 1.line terminator
　　*　　 line terminator 中文意终结符，是指一个或两个字符组成的字符序列。java中的
　　*　　 所有line terminator:
　　*　　 A newline (line feed) character ('\n'),
　　*　　　-----------换行符(0A)
　　*　　 A carriage-return character followed immediately by a newline character ("\r\n"),
　　*　　　-----------回车+换行(0D0A)
　　*　　 A standalone carriage-return character ('\r'),
　　*　　　-----------回车(0D)
　　*　　 A next-line character ('\u0085'),
　　*　　　------------下一行符？(？表示我也不知道是什么，请大家明白的给我发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.
　　*　　　如果使用unix模式则只有\n被认为是line terminator，也就是在使用pattern时如下：
　　*　　　Pattern p=Pattern.compile("正则表达式",Pattern.UNIX_LINE);
　　*　　　或 Pattern p=Pattern.compile("(?d)正则表达式")
　　*　　　"."匹配除line terminator以外的所有字符(未指定DOTALL时)
　　*　　　在指定DOTAll模式时"."匹配所有字符
　　*　 2.Quantifiers,Greedy,Reluctant and Possessive.
　　*　　 这几个词不太好译，原文是Greedy Quantifiers,Reluctant Quantifiers and Possessive Quantifiers凭我这点英语我只好译作贪婪的量子，不情愿的量子和占有欲强的量子？这也太搞笑了好在我理解了他们的意思。这点等下我细说。
　　*　 3. 对于[a-zA-Z],[a-d[h-i]],[^a-f],[b-f&&[a-z]],[b-f&&[^cd]]等形式的理解对于上述，原文用range,union,negation,intersection,subtraction等来描述range表是范围，union是并集，negation是取反，intersection是交集，subtraction是……是减法？？反正是减去一部分的意思
　　*　　 range　　　 a-z 从a到z的小写字母
　　*　　 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与a-z中的公共部分
　　*　　 我总结了一下，其实就是方括号表示一个集合，集合中的元素用列举法表示如[abcd]，但太多了怎么为？总不能把从a到z的全列举吧？那就用a-z表示且省略了方括号，交集用&&表示，并集省略，差集(对subtraction译成差集还差不多)用交集和取反来表示。所以，以上的可表示为：
　　*　　 [[a-z][A-Z]],[[a-d][h-i]],[^a-f],[[b-f]&&[a-z]],[[b-f]&&[^cd]]
　　*　　 这样是不是和我们的习惯相符了.
　　*　 4.各个标志的意义
　　*　　 在生成pattern时可以同时使用几个标志来指定进行匹配时的方案。
　　*　　 用法形如：Pattern p=Pattern.compile(".*a?",Pattern.UNIX_LINES);
　　*　　 当同时指定多个标志时可以使用"|"操作符连接如：
　　*　　 Pattern p=Pattern.compile(".*a?,Pattern.UNIX_LINES|Pattern.DOTALL);
　　*　　 也可以在表达式中指定如：
　　*　　 Pattern p=Pattern.compile("(?d).*a?");
　　*　　 Pattern p=Pattern.compile("(?d)(?s).*a?");
　　*　　 以上两个定义和前面两个对应等价
　　*　　 所有的标志如下：
　　*　　 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 指定使用规范等价模式？这个我理解的也有限，是不是说只要指定了这个模式则ascii码的'a'就可以和unicode的'a'还有XXX码的'a'相等？请教各位。(mail to me)
　　
　　CASE_INSENSITIVE 指定使用大小写不敏感的匹配模式，这个好理解，但要注意这个标志只是对ascii码有效，要使unicode在比较时也忽略大小写要同时指定UNICODE_CASE,就是要指定CASE_INSENSITIVE|UNICODE_CASE或使用(?i)(?u)
　　
　　COMMENTS 指定使用注释和忽略空白，也就是".*a"==".　*a #this is comments"我想这个在正则表达式很大，而且是在文件中输入时比较有用，平时我看也用不上。
　　
　　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，在默认模式下，^和$分别只匹配一个输入的开始和结束。
　　在这种模式下，^和$ 除了匹配整个输入的开始和结束外还匹配一个line terminator的后边和前边(不是前边和后边，就是说^匹配line terminator的后边$匹配line terminator的前边。
　　
　　DOATALL 如指定了这个模式则"."可匹配任何字符包括line terminator UNIX_LINES 指定这个模式时只有\n被认为是line terminator而\r和\r\n都不是其他的我一时想不起来了，在具体介绍时再说吧。
　　</p>
　　/
　　public class TestReg2
　　{
　　
　　public static void main(String[] args)
　　{
　　String str1 = "";
　　Object str = "";
　　//注意：\r,\n,\b等转义字符在java字符串常量中要写成\\r,\\n,\\b等，否则编译都过不去
　　//\s匹配\r,\n,\r和空格
　　System.out.println("\\s匹配\\r,\\n,\\r和空格 "+" \t\n\r".matches("\\s{4}"));
　　//\S和\s互逆
　　System.out.println("\\S和\\s互逆 "+"/".matches("\\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，数字和下划线
　　System.out.println("\\w匹配字母，数字和下划线　"+"a8_".matches("\\w\\w\\w"));
　　//\W和\w互逆
　　System.out.println("\\W和\\w互逆 "+"&_".matches("\\W\\w"));
　　//\d匹配数字
　　System.out.println("\\d匹配数字 "+"8".matches("\\d"));
　　//\D与\d互逆
　　System.out.println("\\D与\\d互逆"+"%".matches("\\D"));
　　//两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匹配换行 "+"\n".matches("\\n"));
　　System.out.println("======================");
　　//两者都匹配但意文不同
　　System.out.println("\r".matches("\r"));
　　System.out.println("\r".matches("\\r"));
　　System.out.println("======================");
　　//^匹配开头
　　System.out.println("^匹配开头"+"hell".matches("^hell"));
　　System.out.println("abc\nhell".matches("^hell"));
　　//$匹配结束
　　System.out.println("$匹配结束"+"my car\nabc".matches(".*ar$"));
　　System.out.println("my car".matches(".*ar$"));

查看本文来源