java正则表达式彻底研究
软件设计 2017-07-19
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$"));
//\b匹配界
System.out.println("\\b匹配界 "+"bomb".matches("\\bbom."));
System.out.println("bomb".matches(".*mb\\b"));
//\B与\b互逆
System.out.println("\\B与\\b互逆"+"abc".matches("\\Babc"));
//[a-z]匹配a到z的小写字母
System.out.println("[a-z]匹配a到z的小写字母"+"s".matches("[a-z]"));
System.out.println("S".matches("[A-Z]"));
System.out.println("9".matches("[0-9]"));
//取反
System.out.println("取反"+"s".matches("[^a-z]"));
System.out.println("S".matches("[^A-Z]"));
System.out.println("9".matches("[^0-9]"));
//括号的作用
System.out.println("括号的作用"+"aB9".matches("[a-z][A-Z][0-9]"));
System.out.println("aB9bC6".matches("([a-z][A-Z][0-9])+"));
//或运算
System.out.println("或运算"+"two".matches("two|to|2"));
System.out.println("to".matches("two|to|2"));
System.out.println("2".matches("two|to|2"));
//[a-zA-z]==[a-z]|[A-Z]
System.out.println("[a-zA-z]==[a-z]|[A-Z]"+"a".matches("[a-zA-Z]"));
System.out.println("A".matches("[a-zA-Z]"));
System.out.println("a".matches("[a-z]|[A-Z]"));
System.out.println("A".matches("[a-z]|[A-Z]"));
//体会一下以下四个
System.out.println("体会一下以下四个\n==========================");
System.out.println(")".matches("[a-zA-Z)]"));
System.out.println(")".matches("[a-zA-Z)_-]"));
System.out.println("_".matches("[a-zA-Z)_-]"));
System.out.println("-".matches("[a-zA-Z)_-]"));
System.out.println("==========================");
System.out.println("b".matches("[abc]"));
//[a-d[f-h]]==[a-df-h]
System.out.println("[a-d[f-h]]==[a-df-h]"+"h".matches("[a-d[f-h]]"));
System.out.println("a".matches("[a-z&&[def]]"));
//取交集
System.out.println("取交集"+"a".matches("[a-z&&[def]]"));
System.out.println("b".matches("[[a-z]&&[e]]"));
//取并
System.out.println("取并"+"9".matches("[[a-c][0-9]]"));
//[a-z&&[^bc]]==[ad-z]
System.out.println("[a-z&&[^bc]]==[ad-z]"+"b".matches("[a-z&&[^bc]]"));
System.out.println("d".matches("[a-z&&[^bc]]"));
//[a-z&&[^m-p]]==[a-lq-z]
System.out.println("[a-z&&[^m-p]]==[a-lq-z]"+"d".matches("[a-z&&[^m-p]]"));
System.out.println("a".matches("\\p{Lower}"));
///注意以下体会\b的用法(注意，在字符串常量中十目直接写\b表退格，所以要写\\b
System.out.println("*********************************");
System.out.println("aawordaa".matches(".*\\bword\\b.*"));
System.out.println("a word a".matches(".*\\bword\\b.*"));
System.out.println("aawordaa".matches(".*\\Bword\\B.*"));
System.out.println("a word a".matches(".*\\Bword\\B.*"));
System.out.println("a word a".matches(".*word.*"));
System.out.println("aawordaa".matches(".*word.*"));
//体会一下组的用法
//组的顺序，只数"("第一个为第一组第二个是第二组……
//第0组表示整个表达式
System.out.println("**************test group**************");
Pattern p = Pattern.compile("(([abc]+)([123]+))([-_%]+)");
Matcher m = p.matcher("aac212-%%");
System.out.println(m.matches());
m = p.matcher("cccc2223%_%_-");
System.out.println(m.matches());
System.out.println("======test group======");
System.out.println(m.group());
System.out.println(m.group(0));
System.out.println(m.group(1));
System.out.println(m.group(2));
System.out.println(m.group(3));
System.out.println(m.group(4));
System.out.println(m.groupCount());
System.out.println("========test end()=========");
System.out.println(m.end());
System.out.println(m.end(2));
System.out.println("==========test start()==========");
System.out.println(m.start());
System.out.println(m.start(2));
//test backslash测试反向引用？
Pattern pp1=Pattern.compile("(\\d)\\1");//这个表达式表示必须有两相同的数字出现
//\1表示引用第一个组\n表示引用第n个组(必须用\\1而不能用\1因\1在字符串中另有意义(我也知道是什么)
Matcher mm1=pp1.matcher("3345");//33匹配但45不匹配
System.out.println("test backslash测试反向引用");
System.out.println(mm1.find());
System.out.println(mm1.find());
//体会以下不同
System.out.println("==============test find()=========");
System.out.println(m.find());
System.out.println(m.find(2));
System.out.println("这是从第三个字符(index=2)开始找的group结果");
System.out.println(m.group());
System.out.println(m.group(0));
System.out.println(m.group(1));
System.out.println(m.group(2));
System.out.println(m.group(3));
m.reset();
System.out.println(m.find());
//测试一个模式可多次匹配一个串
System.out.println("测试一个模式可多次匹配一个串");
Pattern p1 = Pattern.compile("a{2}");
Matcher m1 = p1.matcher("aaaaaa");
//这说明Matcher的matchs()方法是对事个字符串的匹配，
System.out.println(m1.matches());
System.out.println(m1.find());
System.out.println(m1.find());
System.out.println(m1.find());
System.out.println(m1.find());
//再测试matchs()
System.out.println("再测试matchs()");
Pattern p2 = Pattern.compile("(a{2})*");
Matcher m2 = p2.matcher("aaaa");
System.out.println(m2.matches());
System.out.println(m2.matches());
System.out.println(m2.matches());
//所以find是在一个串中找有没有对应的模式，而matchs是完全匹配
//test lookupat()
System.out.println("test lookupat()");
Pattern p3 = Pattern.compile("a{2}");
Matcher m3 = p3.matcher("aaaa");
System.out.println(p3.flags());
System.out.println(m3.lookingAt());
System.out.println(m3.lookingAt());
System.out.println(m3.lookingAt());
//总结以上matchs()是整个匹配且总是从头开始，find是部分匹配且从上一次匹配结束时开始找
//lookingAt也是从头开始，但是部分匹配
System.out.println("======test 空白行========");
System.out.println(" \n".matches("^[ \\t]*$\\n"));
//演示appendXXX的用法
System.out.println("=================test append====================");
Pattern p4 = Pattern.compile("cat");
Matcher m4 = p4.matcher("one cat two cats in the yard");
StringBuffer sb = new StringBuffer();
boolean result = m4.find();
int i=0;
System.out.println("one cat two cats in the yard");
while(result)
{m4.appendReplacement(sb, "dog");
System.out.println(m4.group());
System.out.println("第"+i+++"次:"+sb.toString());
result = m4.find();
}
System.out.println(sb.toString());
m4.appendTail(sb);
System.out.println(sb.toString());
//test UNIX_LINES
System.out.println("test UNIX_LINES");
Pattern p5=Pattern.compile(".",Pattern.UNIX_LINES);
Matcher m5=p5.matcher("\n\r");
System.out.println(m5.find());
System.out.println(m5.find());
//test UNIX_LINES
System.out.println("test UNIX_LINES");
Pattern p6=Pattern.compile("(?d).");
Matcher m6=p6.matcher("\n\r");
System.out.println(m6.find());
System.out.println(m6.find());
//test UNIX_LINES
System.out.println("test UNIX_LINES");
Pattern p7=Pattern.compile(".");
Matcher m7=p7.matcher("\n\r");
System.out.println(m7.find());
System.out.println(m7.find());
//test CASE_INSENSITIVE
System.out.println("test CASE_INSENSITIVE");
Pattern p8=Pattern.compile("a",Pattern.CASE_INSENSITIVE);
Matcher m8=p8.matcher("aA");
System.out.println(m8.find());
System.out.println(m8.find());
System.out.println("test CASE_INSENSITIVE");
Pattern p9=Pattern.compile("(?i)a");
Matcher m9=p9.matcher("aA");
System.out.println(m9.find());
System.out.println(m9.find());
System.out.println("test CASE_INSENSITIVE");
Pattern p10=Pattern.compile("a");
Matcher m10=p10.matcher("aA");
System.out.println(m10.find());
System.out.println(m10.find());
//test COMMENTS
System.out.println("test COMMENTS");
Pattern p11=Pattern.compile(" a a #ccc",Pattern.COMMENTS);
Matcher m11=p11.matcher("aa a a #ccc");
System.out.println(m11.find());
System.out.println(m11.find());
System.out.println("test COMMENTS");
Pattern p12 = Pattern.compile("(?x) a a #ccc");
Matcher m12 = p12.matcher("aa a a #ccc");
System.out.println(m12.find());
System.out.println(m12.find());
//test MULTILINE这个大家多试试参照我上面对多行模式的理解
System.out.println("test MULTILINE");
Pattern p13=Pattern.compile("^.?",Pattern.MULTILINE|Pattern.DOTALL);
Matcher m13=p13.matcher("helloohelloo,loveroo");
System.out.println(m13.find());
System.out.println("start:"+m13.start()+"end:"+m13.end());
System.out.println(m13.find());
//System.out.println("start:"+m13.start()+"end:"+m13.end());
System.out.println("test MULTILINE");
Pattern p14=Pattern.compile("(?m)^hell.*oo$",Pattern.DOTALL);
Matcher m14=p14.matcher("hello,Worldoo\nhello,loveroo");
System.out.println(m14.find());
System.out.println("start:"+m14.start()+"end:"+m14.end());
System.out.println(m14.find());
//System.out.println("start:"+m14.start()+"end:"+m14.end());
System.out.println("test MULTILINE");
Pattern p15=Pattern.compile("^hell(.|[^.])*oo$");
Matcher m15=p15.matcher("hello,Worldoo\nhello,loveroo");
System.out.println(m15.find());
System.out.println("start:"+m15.start()+"end:"+m15.end());
System.out.println(m15.find());
// System.out.println("start:"+m15.start()+"end:"+m15.end());
//test DOTALL
System.out.println("test DOTALL");
Pattern p16=Pattern.compile(".",Pattern.DOTALL);
Matcher m16=p16.matcher("\n\r");
System.out.println(m16.find());
System.out.println(m16.find());
System.out.println("test DOTALL");
Pattern p17=Pattern.compile(".");
Matcher m17=p17.matcher("\n\r");
System.out.println(m17.find());
System.out.println(m17.find());
System.out.println("test DOTALL");
Pattern p18=Pattern.compile("(?s).");
Matcher m18=p18.matcher("\n\r");
System.out.println(m18.find());
System.out.println(m18.find());
//test CANON_EQ这个是jdk的例子但我实在不明白是什么意思，向大家请教
System.out.println("test CANON_EQ");
Pattern p19=Pattern.compile("a\u030A",Pattern.CANON_EQ);
System.out.println(Character.getType('\u030A'));
System.out.println("is"+Character.isISOControl('\u030A'));
System.out.println("is"+Character.isUnicodeIdentifierPart('\u030A'));
System.out.println(Character.getType('\u00E5'));
System.out.println("is"+Character.isISOControl('\u00E5'));
Matcher m19=p19.matcher("\u00E5");
System.out.println(m19.matches());
System.out.println(Character.getType('\u0085'));
System.out.println("is"+Character.isISOControl('\u0085'));
//注意下面三个例子体会Greedy,Reluctant and Possessive Quantifiers的不同
Pattern ppp=Pattern.compile(".*foo");
Matcher mmm=ppp.matcher("xfooxxxxxxfoo");
/**
* Greedy quantifiers
X? X, once or not at all
X* X, zero or more times
X+ X, one or more times
X{n} X, exactly n times
X(n,} X, at least n times
X{n,m} X, at least n but not more than m times
Greedy quantifiers是最常用的一种，如上，它的匹配方式是先匹配尽可能多的字符，当
这样造成整个表达式整体不能匹配时就退一个字符再试比如：
.*foo与xfooxxxxxxfoo的匹配过程，.*先与整个输入匹配，发现这样不行，整个串不能匹配
* 于是退最后一个字符"o"再试，还不行，再退直到把foo都退出才发现匹配于是结束。因为这个过程
* 总是先从最大匹配开始到找到一个匹配，所以.*与之匹配的总是一个最大的，这个特点和资本家相似
* 故名贪婪的
*/
boolean isEnd=false;
int k=0;
System.out.println("==========");
System.out.println("xfooxxxxxxfoo");
while(isEnd==false)
try{
System.out.println("the:"+k++);
System.out.println(mmm.find());
System.out.println(mmm.end());
}catch(Exception e){
isEnd=true;
}
isEnd=false;
Pattern ppp1=Pattern.compile(".*?foo");
Matcher mmm1=ppp1.matcher("xfooxxxxxxfoo");
/**
* Reluctant quantifiers
X?? X, once or not at all
X*? X, zero or more times
X+? X, one or more times
X{n}? X, exactly n times
X(n,}? X, at least n times
X{n,m}? X, at least n but not more than m times
Reluctant quantifiers的匹配方式正好相反，它总是先从最小匹配开始，如果这时导致
整个串匹配失败则再吃进一个字符再试，如：
.*?foo与xfooxxxxxxfoo的匹配过程，首先，.*与空串匹配，这时整个串匹配失败，于是
* 再吃一个x,这时发现整个串匹配成功，当再调用find时从上次匹配结束时开始找，先吃一个
* 空串，不行，再吃一个x，不行，……直到把中间所有x都吃掉才发现匹配成功。这种方式总
* 是从最小匹配开始所以它能找到最多次数的匹配，但第一匹配都是最小的。它的行为有点象雇佣
* 工人，总是尽可能少的于活，故名勉强的。
*/
k=0;
System.out.println("?????????????????????");
System.out.println("xfooxxxxxxfoo");
while(isEnd==false)
try{
System.out.println("the:"+k++);
System.out.println(mmm1.find());
System.out.println(mmm1.end());
}catch(Exception e){
isEnd=true;
}
isEnd=false;
Pattern pp2=Pattern.compile(".*+foo");
Matcher mm2=pp2.matcher("xfooxxxxxxfoo");
/**
*
Possessive quantifiers
X?+ X, once or not at all
X*+ X, zero or more times
X++ X, one or more times
X{n}+ X, exactly n times
X(n,}+ X, at least n times
X{n,m}+ X, at least n but not more than m times
Possessive quantifiers 这种匹配方式与Greedy方式相似，所不同的是它不够聪明，当
它一口吃掉所有可以吃的字符时发现不匹配则认为整个串都不匹配，它不会试着吐出几个。它的行
为和大地主相似，贪婪但是愚蠢，所以名曰强占的。
*/
int ii=0;
System.out.println("+++++++++++++++++++++++++++");
System.out.println("xfooxxxxxxfoo");
while(isEnd==false)
try{
System.out.println("the:"+ii++);
System.out.println(mm2.find());
System.out.println(mm2.end());
}catch(Exception e){
isEnd=true;
}
}
}
