Java正则表达式(一)

　　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 
　　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: ");    
　　}    
　　}    
　　}  
　　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: ");
　　}
　　}
　　}
　　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 
　　Pattern p = Pattern.compile(regex);  
　　Pattern p = Pattern.compile(regex);
　　然后调用Pattern的方法matcher 
　　Java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 
　　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 
　　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 
　　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,\u2028或者\u0085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 
　　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 
　　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 
　　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 
　　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 
　　Pattern p = Pattern.compile("\d");  
　　Pattern p = Pattern.compile("\d");
　　而是： 
　　Java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public Matcher matcher(CharSequence 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CharSequence，CharBuffer, Segment, String, StringBuffer, 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 
　　public int flags()  
　　public 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 
　　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 
　　public static boolean matches (String regex,CharSequence input)  
　　public static boolean matches (String regex,CharSequence input)
　　这个方法实际上是： 
　　Java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： 
　　public String[] split(CharSequence 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 
　　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 
　　public String[] split(CharSequence input, int limit)  
　　public String[] split(CharSequence 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 
　　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 
　　Pattern p = Pattern.compile(",");    
　　String temp[] = p.split("Hello,Dolly,", -1);    
　　//temp[]={"Hello","Dolly",""}