Java正则表达式详解
2005-10-08 10:01作者：仙人掌工作室出处：KissJava.com责任编辑：王玉涵
如果你曾经用过Perl或任何其他内建正则表达式支持的语言，你一定知道用正则表达式处理文本和匹配模式是多么简单。如果你不熟悉这个术语，那么“正则表达式”（Regular Expression）就是一个字符构成的串，它定义了一个用来搜索匹配字符串的模式。
许多语言，包括Perl、PHP、Python、JavaScript和JScript，都支持用正则表达式处理文本，一些文本编辑器用正则表达式实现高级“搜索-替换”功能。那么Java又怎样呢？本文写作时，一个包含了用正则表达式进行文本处理的Java规范需求（Specification Request）已经得到认可，你可以期待在JDK的下一版本中看到它。
然而，如果现在就需要使用正则表达式，又该怎么办呢？你可以从Apache.org下载源代码开放的Jakarta-ORO库。本文接下来的内容先简要地介绍正则表达式的入门知识，然后以Jakarta-ORO API为例介绍如何使用正则表达式。
一、正则表达式基础知识
我们先从简单的开始。假设你要搜索一个包含字符“cat”的字符串，搜索用的正则表达式就是“cat”。如果搜索对大小写不敏感，单词“catalog”、“Catherine”、“sophisticated”都可以匹配。也就是说：
[img]http://edu.yesky.com/imagelist/05/10/j43nu4ndo6z8.jpg[/img]
1.1 句点符号
假设你在玩英文拼字游戏，想要找出三个字母的单词，而且这些单词必须以“t”字母开头，以“n”字母结束。另外，假设有一本英文字典，你可以用正则表达式搜索它的全部内容。要构造出这个正则表达式，你可以使用一个通配符——句点符号“.”。这样，完整的表达式就是“t.n”，它匹配“tan”、“ten”、“tin”和“ton”，还匹配“t#n”、“tpn”甚至“t n”，还有其他许多无意义的组合。这是因为句点符号匹配所有字符，包括空格、Tab字符甚至换行符：
[img]http://edu.yesky.com/imagelist/05/10/9i9f280hrzkz.jpg[/img]
1.2 方括号符号
为了解决句点符号匹配范围过于广泛这一问题，你可以在方括号（“[]”）里面指定看来有意义的字符。此时，只有方括号里面指定的字符才参与匹配。也就是说，正则表达式“t[aeio]n”只匹配“tan”、“Ten”、“tin”和“ton”。但“Toon”不匹配，因为在方括号之内你只能匹配单个字符：
[img]http://edu.yesky.com/imagelist/05/10/t1e74w8itp99.jpg[/img]
1.3 “或”符号
如果除了上面匹配的所有单词之外，你还想要匹配“toon”，那么，你可以使用“|”操作符。“|”操作符的基本意义就是“或”运算。要匹配“toon”，使用“t(a|e|i|o|oo)n”正则表达式。这里不能使用方扩号，因为方括号只允许匹配单个字符；这里必须使用圆括号“()”。圆括号还可以用来分组，具体请参见后面介绍。
[img]http://edu.yesky.com/imagelist/05/10/i1fus8ynpz96.jpg[/img]
1.4 表示匹配次数的符号
表一显示了表示匹配次数的符号，这些符号用来确定紧靠该符号左边的符号出现的次数：
[img]http://edu.yesky.com/imagelist/05/10/8k41sc2nzdy7.jpg[/img]
假设我们要在文本文件中搜索美国的社会安全号码。这个号码的格式是999-99-9999。用来匹配它的正则表达式如图一所示。在正则表达式中，连字符（“-”）有着特殊的意义，它表示一个范围，比如从0到9。因此，匹配社会安全号码中的连字符号时，它的前面要加上一个转义字符“\”。
[img]http://edu.yesky.com/imagelist/05/10/d0461e0196rw.gif[/img]
假设进行搜索的时候，你希望连字符号可以出现，也可以不出现——即，999-99-9999和999999999都属于正确的格式。这时，你可以在连字符号后面加上“？”数量限定符号，如图所示：
[img]http://edu.yesky.com/imagelist/05/10/4s8b1dwh8778.gif[/img]
1.5 “否”符号
“^”符号称为“否”符号。如果用在方括号内，“^”表示不想要匹配的字符。例如，图四的正则表达式匹配所有单词，但以“X”字母开头的单词除外。
[img]http://edu.yesky.com/imagelist/05/10/47z03c6v2q6z.gif[/img]
1.6 圆括号和空白符号
假设要从格式为“June 26, 1951”的生日日期中提取出月份部分，用来匹配该日期的正则表达式可以如图五所示：
[img]http://edu.yesky.com/imagelist/05/10/2w4mut5a8vjn.gif[/img]
新出现的“\s”符号是空白符号，匹配所有的空白字符，包括Tab字符。如果字符串正确匹配，接下来如何提取出月份部分呢？只需在月份周围加上一个圆括号创建一个组，然后用ORO API（本文后面详细讨论）提取出它的值。修改后的正则表达式如图六所示：
[img]http://edu.yesky.com/imagelist/05/10/c677z4111jo2.gif[/img]
1.7 其它符号
为简便起见，你可以使用一些为常见正则表达式创建的快捷符号。如表二所示：
表二：常用符号
[img]http://edu.yesky.com/imagelist/05/10/32xa8u62viqw.jpg[/img]
例如，在前面社会安全号码的例子中，所有出现“[0-9]”的地方我们都可以使用“\d”。修改后的正则表达式如图七所示：
[img]http://edu.yesky.com/imagelist/05/10/4k2mcvrp04b7.gif[/img]
实例：
任务：分析一个Web服务器日志文件，确定每一个用户花在网站上的时间。在典型的BEA WebLogic日志文件中，日志记录的格式如下：
[img]http://edu.yesky.com/imagelist/05/10/242u5d50m3fr.jpg[/img]
分析这个日志记录，可以发现，要从这个日志文件提取的内容有两项：IP地址和页面访问时间。你可以用分组符号（圆括号）从日志记录提取出IP地址和时间标记。
首先我们来看看IP地址。IP地址有4个字节构成，每一个字节的值在0到255之间，各个字节通过一个句点分隔。因此，IP地址中的每一个字节有至少一个、最多三个数字。图八显示了为IP地址编写的正则表达式：
[img]http://edu.yesky.com/imagelist/05/10/21g3c5o3k67u.gif[/img]
IP地址中的句点字符必须进行转义处理（前面加上“\”），因为IP地址中的句点具有它本来的含义，而不是采用正则表达式语法中的特殊含义。句点在正则表达式中的特殊含义本文前面已经介绍。
日志记录的时间部分由一对方括号包围。你可以按照如下思路提取出方括号里面的所有内容：首先搜索起始方括号字符（“[”），提取出所有不超过结束方括号字符（“]”）的内容，向前寻找直至找到结束方括号字符。图九显示了这部分的正则表达式。
[img]http://edu.yesky.com/imagelist/05/10/cg2u2j7n0mpg.gif[/img]
现在，把上述两个正则表达式加上分组符号（圆括号）后合并成单个表达式，这样就可以从日志记录提取出IP地址和时间。注意，为了匹配“- -”（但不提取它），正则表达式中间加入了“\s-\s-\s”。完整的正则表达式如图十所示。
[img]http://edu.yesky.com/imagelist/05/10/157qqoq9ve8w.gif[/img]
下面一个任务是分析HTML页面内FONT标记的所有属性。HTML页面内典型的FONT标记如下所示：
[img]http://edu.yesky.com/imagelist/05/10/606h60377ssy.jpg[/img]
程序将按照如下形式，输出每一个FONT标记的属性：
[img]http://edu.yesky.com/imagelist/05/10/brf9m2df9ieo.jpg[/img]
在这种情况下，我建议你使用两个正则表达式。第一个如图十一所示，它从字体标记提取出“"face="Arial, Serif" size="+2" color="red"”。
[img]http://edu.yesky.com/imagelist/05/10/ru4fdvu24otu.gif[/img]
第二个正则表达式如图十二所示，它把各个属性分割成名字-值对。
[img]http://edu.yesky.com/imagelist/05/10/7jng3h91d45k.gif[/img]
分割结果为：
[img]http://edu.yesky.com/imagelist/05/10/7jjzyu7lfs84.jpg[/img]
参见[url]http://edu.yesky.com/edupxpt/18/2143018.shtml[/url]
