如何使用Java內建的Regex

在Sun的Java JDK 1.40版本中，Java內建了支援Regex的包，本文就拋磚引玉地介紹了如何使用java.util.regex包。

可粗數量級估計一下，除了偶爾用Linux的外，其他Linu x使用者都會遇到Regex。Regex是個極端強大工具，而且在字串模式－匹配和字串模式－替換方面富有彈性。在Unix世界裡，Regex幾乎沒有什麼限制，可肯定的是，它應用非常之廣泛。

Regex的引擎已被許多普通的Unix工具所實現，包括grep，awk，vi和Emacs等。此外，許多使用比較廣泛的指令碼語言也支援Regex，比如Python，Tcl，JavaScript，以及最著名的Perl。

我很早以前就是個Perl方面的駭客，如果你和我一樣話，你也會非常依賴你手邊的這些強大的text-munging工具。近幾年來，像其他程式開發人員一樣，我也越來越關注Java的開發。

Java作為一種開發語言，有許多值得推薦的地方，但是它一直以來沒有內建對Regex的支援。直到最近，藉助於第三方的類庫，Java開始支援Regex，但這些第三方的類庫都不一致、相容性差，而且維護代碼起來很糟糕。這個缺點，對我選擇Java作為首要的開發工具來說，一直是個巨大的顧慮之處。

你可以想象，當我知道Sun的Java JDK 1.40版本包含了java.util.regex（一個完全開放、內建的Regex包）時，是多麼的高興！很搞笑的說，我花好些時間去挖掘這個被隱藏起來的寶石。我非常驚奇的是，Java這樣的一個很大改進（內建了java.util.regex包）為什麼不多公開一點呢？！

最近，Java雙腳都跳進了Regex的世界。java.util.regex包在支援正則表達也有它的過人之處，另外Java也提供詳細的相關說明文檔。使得朦朦朧朧的regex神秘景象也慢慢被撥開。有一些Regex的構成（可能最顯著的是，在於糅合了字元類庫）在Perl都找不到。

在regex包中，包括了兩個類，Pattern（模式類）和Matcher（匹配器類）。Pattern類是用來表達和陳述所要搜尋模式的對象，Matcher類是真正影響搜尋的對象。另加一個新的例外類，PatternSyntaxException，當遇到不合法的搜尋模式時，會拋出例外。

即使對Regex很熟悉，你會發現，通過java使用Regex也相當簡單。要說明的一點是，對那些被Perl的單行匹配所寵壞的Perl狂熱愛好者來說，在使用java的regex包進行替換操作時，會比他們所以前常用的方法費事些。

本文的局限之處，它不是一篇Regex用法的完全教程。如果讀者要對正則表達進一步瞭解的話，推薦閱讀Jeffrey Frieldl的Mastering Regular Expressions，該書由O’Reilly出版社出版。我下面就舉一些例子來教讀者如何使用Regex，以及如何更簡單地去使用它。

設計一個簡單的運算式來匹配任何電話號碼數字可能是比較複雜的事情，原因在於電話號碼格式有很多種情況。所有必須選擇一個比較有效模式。比如：(212) 555-1212， 212-555-1212和212 555 1212，某些人會認為它們都是等價的。

首先讓我們構成一個Regex。為簡單起見，先構成一個Regex來識別下面格式的電話號碼數字：(nnn)nnn-nnnn。

第一步，建立一個pattern對象來匹配上面的子字串。一旦程式運行後，如果需要的話，可以讓這個對象一般化。匹配上面格式的正則表達可以這樣構成：(/d{3})/s/d{3}-/d{4}，其中/d單字元類型用來匹配從0到9的任何數字，另外{3}重複符號，是個簡便的記號，用來表示有3個連續的數字位，也等效於(/d/d/d)。/s也另外一個比較有用的單字元類型，用來匹配空格，比如Space鍵，tab鍵和分行符號。

是不是很簡單？但是，如果把這個Regex的模式用在java程式中，還要做兩件事。對java的解譯器來說，在反斜線字元(/)前的字元有特殊的含義。在java中，與regex有關的包，並不都能理解和識別反斜線字元(/)，儘管可以試試看。但為避免這一點，即為了讓反斜線字元(/)在模式對象中被完全地傳遞，應該用雙反斜線字元(/)。此外圓括弧在正則表達中兩層含義，如果想讓它解釋為字面上意思（即圓括弧），也需要在它前面用雙反斜線字元(/)。也就是像下面的一樣：

//(//d{3}//)//s//d{3}-//d{4}

現在介紹怎樣在java代碼中實現剛才所講的Regex。要記住的事，在用Regex的包時，在你所定義的類前需要包含該包，也就是這樣的一行：

import java.util.regex.*;

下面的一段代碼實現的功能是，從一個文字檔逐行讀入，並逐行搜尋電話號碼數字，一旦找到所匹配的，然後輸出在控制台。

BufferedReader in;

Pattern pattern = Pattern.compile("//(//d{3}//)//s//d{3}-//d{4}");

in = new BufferedReader(new FileReader("phone"));

String s;

while ((s = in.readLine()) != null)

{

Matcher matcher = pattern.matcher(s);

if (matcher.find())

{

System.out.println(matcher.group());

}

}

in.close();

對那些熟悉用Python或Javascript來實現Regex的人來說，這段代碼很平常。在Python和Javascript這些語言中，或者其他的語言，這些Regex一旦明確地編譯過後，你想用到哪裡都可以。與Perl的單步匹配相比，看起來多多做了些工作，但這並不很費事。

find()方法，就像你所想象的，用來搜尋與Regex相匹配的任何目標字串，group()方法，用來返回包含了所匹配文本的字串。應注意的是，上面的代碼，僅用在每行只能含有一個匹配的電話號碼數字字串時。可以肯定的說，java的Regex包能用在一行含有多個匹配目標時的搜尋。本文的原意在於舉一些簡單的例子來激起讀者進一步去學習java內建的Regex包，所以對此就沒有進行深入的探討。

這相當漂亮吧! 但是很遺憾的是，這僅是個電話號碼匹配器。很明顯，還有兩點可以改進。如果在電話號碼的開頭，即區位號和本地號碼之間可能會有空格。我們也可匹配這些情況，則通過在Regex中加入/s?來實現，其中?元字元表示在模式可能有0或1個空格符。

第二點是，在本地號碼位的前三位和後四位元字間有可能是空格符，而不是連字號，更有勝者，或根本就沒有分隔字元，就是7位元字連在一起。對這幾種情況，我們可以用(-|)?來解決。這個結構的Regex就是轉換器，它能匹配上面所說的幾種情況。在()能含有管道符|時，它能匹配是否含有空格符或連字號，而尾部的?元字元表示是否根本沒有分隔字元的情況。

最後，區位號也可能沒有包含在圓括弧內，對此可以簡單地在圓括弧後附上?元字元，但這不是一個很好的解決方案。因為它也包含了不配對的圓括弧，比如"(555" 或 "555)"。相反，我們可以通過另一種轉換器來強迫讓電話號碼是否帶有有圓括弧：(/(/d{3}/)|/d{3})。如果我們把上面代碼中的Regex用這些改進後的來替換的話，上面的代碼就成了一個非常有用的電話號碼數字匹配器：

Pattern pattern =

Pattern.compile("(//(//d{3}//)|//d{3})//s?//d{3}(-|)?//d{4}");

可以確定的是，你可以自己試著進一步改進上面的代碼。

現在看看第二個例子，它是從Friedl的中改編過來的。其功能是用來檢查文字檔中是否有重複的單詞，這在印刷排版中會經常遇到，同樣也是個語法檢查器的問題。

匹配單詞，像其他的一樣，也可以通過好幾種的Regex來完成。可能最直接的是/b/w+/b，其優點在於只需用少量的regex元字元。其中/w元字元用來匹配從字母a到u的任何字元。+元字元表示匹配匹配一次或多次字元，/b元字元是用來說明匹配單詞的邊界，它可以是空格或任何一種不同的標點符號（包括逗號，句號等）。

現在，我們怎樣來檢查一個給定的單詞是否被重複了三次？為完成這個任務，需充分利用Regex中的所熟知的向後掃描。如前面提到的，圓括弧在Regex中有幾種不同的用法，一個就是能提供組合類別型，組合類別型用來儲存所匹配的結果或部分匹配的結果（以便後面能用到），即使遇到有相同的模式。在同樣的正則表達中，可能（也通常期望）不止有一個組合類別型。在第n個組合類別型中匹配結果可以通過向後掃描來擷取到。向後掃描使得搜尋重複的單詞非常簡單：/b(/w+)/s+/1/b。

圓括弧形成了一個組合類別型，在這個正則表示中它是第一組合類別型（也是僅有的一個）。向後掃描/1，指的是任何被/w+所匹配的單詞。我們的Regex因此能匹配這樣的單詞，它有一個或多個空格符，後面還跟有一個與此相同的單詞。注意的是，尾部的定位類型(/b)必不可少，它可以防止發生錯誤。如果我們想匹配"Paris in the the spring"，而不是匹配"Java's regex package is the theme of this article"。根據java現在的格式，則上面的Regex就是：Pattern pattern =Pattern.compile("//b(//w+)//s+//1//b");

最後進一步的修改是讓我們的匹配器對大小寫敏感。比如，下面的情況："The the theme of this article is the Java's regex package."，這一點在regex中能非常簡單地實現，即通過使用在Pattern類中預定義的靜態標誌CASE_INSENSITIVE ：

Pattern pattern =Pattern.compile("//b(//w+)//s+//1//b",

Pattern.CASE_INSENSITIVE);

有關Regex的話題是非常豐富，而且複雜的，用Java來實現也非常廣泛，則需要對regex包進行的徹底研究，我們在這裡所講的只是冰山一角。即使你對Regex比較陌生，使用regex包後會很快發現它強大功能和延展性。如果你是個來自Perl或其他語言王國的老練的Regex的駭客，使用過regex包後，你將會安心地投入到java的世界，而放棄其他的工具，並把java的regex包看成是手邊必備的利器。