Java學習筆記之Pattern類的用法詳解(正則表達式)

java.util.regex.Pattern (摘自sun主頁)

Implements: Serializable

 

正則表達式的編譯表示形式。

指定為字符串的正則表達式必須首先被編譯為此類的實例。然后，可將得到的模式用於創建 Matcher 對象，依照正則表達式，該對象可以與任意字符序列匹配。執行匹配所涉及的所有狀態都駐留在匹配器中，所以多個匹配器可以共享同一模式。

因此，典型的調用順序是

 
 Pattern p = Pattern.compile("a*b");
 Matcher m = p.matcher("aaaaab");
 boolean b = m.matches();

在僅使用一次正則表達式時，可以方便地通過此類定義 matches方法。此方法編譯表達式並在單個調用中將輸入序列與其匹配。語句

 
 boolean b = Pattern.matches("a*b", "aaaaab");

等效於上面的三個語句，盡管對於重復的匹配而言它效率不高，因為它不允許重用已編譯的模式。

此類的實例是不可變的，可供多個並發線程安全使用。Matcher 類的實例用於此目的則不安全。

正則表達式的構造摘要

的非捕獲組

構造	匹配
字符
x	字符 x
\\	反斜線字符
\0n	帶有八進制值 0 的字符 n (0 <= n <= 7)
\0nn	帶有八進制值 0 的字符 nn (0 <= n <= 7)
\0mnn	帶有八進制值 0 的字符 mnn（0 <= m <= 3、0 <= n <= 7）
\xhh	帶有十六進制值 0x 的字符 hh
\uhhhh	帶有十六進制值 0x 的字符 hhhh
\t	制表符 ('\u0009')
\n	新行（換行）符 ('\u000A')
\r	回車符 ('\u000D')
\f	換頁符 ('\u000C')
\a	報警 (bell) 符 ('\u0007')
\e	轉義符 ('\u001B')
\cx	對應於 x 的控制符
字符類
[abc]	a、b 或 c（簡單類）
[^abc]	任何字符，除了 a、b 或 c（否定）
[a-zA-Z]	a 到 z 或 A 到 Z，兩頭的字母包括在內（范圍）
[a-d[m-p]]	a 到 d 或 m 到 p：[a-dm-p]（並集）
[a-z&&[def]]	d、e 或 f（交集）
[a-z&&[^bc]]	a 到 z，除了 b 和 c：[ad-z]（減去）
[a-z&&[^m-p]]	a 到 z，而非 m 到 p：[a-lq-z]（減去）
預定義字符類
.	任何字符（與行結束符可能匹配也可能不匹配）
\d	數字：[0-9]
\D	非數字： [^0-9]
\s	空白字符：[ \t\n\x0B\f\r]
\S	非空白字符：[^\s]
\w	單詞字符：[a-zA-Z_0-9]
\W	非單詞字符：[^\w]
POSIX 字符類（僅 US-ASCII）
\p{Lower}	小寫字母字符：[a-z]
\p{Upper}	大寫字母字符：[A-Z]
\p{ASCII}	所有 ASCII：[\x00-\x7F]
\p{Alpha}	字母字符：[\p{Lower}\p{Upper}]
\p{Digit}	十進制數字：[0-9]
\p{Alnum}	字母數字字符：[\p{Alpha}\p{Digit}]
\p{Punct}	標點符號：!"#$%&'()*+,-./:;<=>?@[\]^_`{|}~
\p{Graph}	可見字符：[\p{Alnum}\p{Punct}]
\p{Print}	可打印字符：[\p{Graph}\x20]
\p{Blank}	空格或制表符：[ \t]
\p{Cntrl}	控制字符：[\x00-\x1F\x7F]
\p{XDigit}	十六進制數字：[0-9a-fA-F]
\p{Space}	空白字符：[ \t\n\x0B\f\r]
java.lang.Character 類（簡單的 java 字符類型）
\p{javaLowerCase}	等效於 java.lang.Character.isLowerCase()
\p{javaUpperCase}	等效於 java.lang.Character.isUpperCase()
\p{javaWhitespace}	等效於 java.lang.Character.isWhitespace()
\p{javaMirrored}	等效於 java.lang.Character.isMirrored()
Unicode 塊和類別的類
\p{InGreek}	Greek 塊（簡單塊）中的字符
\p{Lu}	大寫字母（簡單類別）
\p{Sc}	貨幣符號
\P{InGreek}	所有字符，Greek 塊中的除外（否定）
[\p{L}&&[^\p{Lu}]]	所有字母，大寫字母除外（減去）
邊界匹配器
^	行的開頭
$	行的結尾
\b	單詞邊界
\B	非單詞邊界
\A	輸入的開頭
\G	上一個匹配的結尾
\Z	輸入的結尾，僅用於最后的結束符（如果有的話）
\z	輸入的結尾
Greedy 數量詞
X?	X，一次或一次也沒有
X*	X，零次或多次
X+	X，一次或多次
X{n}	X，恰好 n 次
X{n,}	X，至少 n 次
X{n,m}	X，至少 n 次，但是不超過 m 次
Reluctant 數量詞
X??	X，一次或一次也沒有
X*?	X，零次或多次
X+?	X，一次或多次
X{n}?	X，恰好 n 次
X{n,}?	X，至少 n 次
X{n,m}?	X，至少 n 次，但是不超過 m 次
Possessive 數量詞
X?+	X，一次或一次也沒有
X*+	X，零次或多次
X++	X，一次或多次
X{n}+	X，恰好 n 次
X{n,}+	X，至少 n 次
X{n,m}+	X，至少 n 次，但是不超過 m 次
Logical 運算符
XY	X 后跟 Y
X|Y	X 或 Y
(X)	X，作為捕獲組
Back 引用
\n	任何匹配的 nth 捕獲組
引用
\	Nothing，但是引用以下字符
\Q	Nothing，但是引用所有字符，直到 \E
\E	Nothing，但是結束從 \Q 開始的引用
特殊構造（非捕獲）
(?:X)	X，作為非捕獲組
(?idmsux-idmsux)	Nothing，但是將匹配標志i d m s u x on - off
(?idmsux-idmsux:X)	X，作為帶有給定標志 i d m s u x on - off
(?=X)	X，通過零寬度的正 lookahead
(?!X)	X，通過零寬度的負 lookahead
(?<=X)	X，通過零寬度的正 lookbehind
(?<!X)	X，通過零寬度的負 lookbehind
(?>X)	X，作為獨立的非捕獲組

---

反斜線、轉義和引用

反斜線字符 ('\') 用於引用轉義構造，如上表所定義的，同時還用於引用其他將被解釋為非轉義構造的字符。因此，表達式 \\ 與單個反斜線匹配，而 \{與左括號匹配。

在不表示轉義構造的任何字母字符前使用反斜線都是錯誤的；它們是為將來擴展正則表達式語言保留的。可以在非字母字符前使用反斜線，不管該字符是否非轉義構造的一部分。

根據 Java Language Specification 的要求，Java 源代碼的字符串中的反斜線被解釋為 Unicode 轉義或其他字符轉義。因此必須在字符串字面值中使用兩個反斜線，表示正則表達式受到保護，不被 Java 字節碼編譯器解釋。例如，當解釋為正則表達式時，字符串字面值 "\b" 與單個退格字符匹配，而 "\\b" 與單詞邊界匹配。字符串字面值 "\(hello\)" 是非法的，將導致編譯時錯誤；要與字符串 (hello) 匹配，必須使用字符串字面值 "\\(hello\\)"。

字符類

字符類可以出現在其他字符類中，並且可以包含並集運算符（隱式）和交集運算符 (&&)。並集運算符表示至少包含其某個操作數類中所有字符的類。交集運算符表示包含同時位於其兩個操作數類中所有字符的類。

字符類運算符的優先級如下所示，按從最高到最低的順序排列：

1	字面值轉義	\x
2	分組	[...]
3	范圍	a-z
4	並集	[a-e][i-u]
5	交集	[a-z&&[aeiou]]

注意，元字符的不同集合實際上位於字符類的內部，而非字符類的外部。例如，正則表達式 . 在字符類內部就失去了其特殊意義，而表達式 - 變成了形成元字符的范圍。

行結束符

行結束符是一個或兩個字符的序列，標記輸入字符序列的行結尾。以下代碼被識別為行結束符：

• 新行（換行）符 ('\n')、
• 后面緊跟新行符的回車符 ("\r\n")、
• 單獨的回車符 ('\r')、
• 下一行字符 ('\u0085')、
• 行分隔符 ('\u2028') 或
• 段落分隔符 ('\u2029)。

如果激活 #UNIX_LINES模式，則新行符是唯一識別的行結束符。

如果未指定 #DOTALL 標志，則正則表達式 .可以與任何字符（行結束符除外）匹配。

默認情況下，正則表達式 ^ 和 $ 忽略行結束符，僅分別與整個輸入序列的開頭和結尾匹配。如果激活 #MULTILINE 模式，則 ^ 在輸入的開頭和行結束符之后（輸入的結尾）才發生匹配。處於 #MULTILINE 模式中時，$ 僅在行結束符之前或輸入序列的結尾處匹配。

組和捕獲

捕獲組可以通過從左到右計算其開括號來編號。例如，在表達式 ((A)(B(C))) 中，存在四個這樣的組：

1	((A)(B(C)))
2	\A
3	(B(C))
4	(C)

組零始終代表整個表達式。

之所以這樣命名捕獲組是因為在匹配中，保存了與這些組匹配的輸入序列的每個子序列。捕獲的子序列稍后可以通過 Back 引用在表達式中使用，也可以在匹配操作完成后從匹配器獲取。

與組關聯的捕獲輸入始終是與組最近匹配的子序列。如果由於量化的緣故再次計算了組，則在第二次計算失敗時將保留其以前捕獲的值（如果有的話）例如，將字符串 "aba" 與表達式 (a(b)?)+ 相匹配，會將第二組設置為 "b"。在每個匹配的開頭，所有捕獲的輸入都會被丟棄。

以 (?) 開頭的組是純的非捕獲組，它不捕獲文本，也不針對組合計進行計數。

Unicode 支持

此類符合 Unicode Technical Standard #18:Unicode Regular Expression Guidelines第 1 級和 RL2.1 Canonical Equivalents。

Java 源代碼中的 Unicode 轉義序列（如 \u2014）是按照 Java Language Specification 的 第 3.3 節中的描述處理的。這樣的轉義序列還可以由正則表達式解析器直接實現，以便在從文件或鍵盤擊鍵讀取的表達式中使用 Unicode 轉義。因此，可以將不相等的字符串 "\u2014" 和 "\\u2014" 編譯為相同的模式，從而與帶有十六進制值 0x2014 的字符匹配。

與 Perl 中一樣，Unicode 塊和類別是使用 \p 和 \P 構造編寫的。如果輸入具有屬性 prop，則與 \p{prop} 匹配，而輸入具有該屬性時與 \P{prop} 不匹配。塊使用前綴 In 指定，與在 InMongolian 中一樣。可以使用可選前綴 Is 指定類別：\p{L} 和 \p{IsL}都表示 Unicode 字母的類別。塊和類別在字符類的內部和外部都可以使用。

受支持的類別是由 Character 類指定版本中的 The Unicode Standard 的類別。類別名稱是在 Standard 中定義的，即標准又豐富。Pattern 所支持的塊名稱是 UnicodeBlock.forName 所接受和定義的有效塊名稱。

行為類似 java.lang.Character boolean 是 methodname 方法（廢棄的類別除外）的類別，可以通過相同的 \p{prop} 語法來提供，其中指定的屬性具有名稱 javamethodname。

與 Perl 5 相比較

Pattern引擎用有序替換項執行傳統上基於 NFA 的匹配，與 Perl 5 中進行的相同。

此類不支持 Perl 構造：

• 條件構造 (?{X}) 和 (?(condition)X|Y)、

• 嵌入式代碼構造 (?{code}) 和 (??{code})、

• 嵌入式注釋語法 (?#comment) 和

• 預處理操作 \l \u、\L 和 \U。

此類支持但 Perl 不支持的構造：

• Possessive 數量詞，它可以盡可能多地進行匹配，即使這樣做導致所有匹配都成功時也如此。

• 字符類並集和交集，如上文所述。

與 Perl 的顯著不同點是：

• 在 Perl 中，\1 到 \9 始終被解釋為 Back 引用；如果至少存在多個子表達式，則大於 9 的反斜線轉義數按 Back 引用對待，否則在可能的情況下，它將被解釋為八進制轉義。在此類中，八進制轉義必須始終以零開頭。在此類中，\1 到 \9 始終被解釋為 Back 引用，較大的數被接受為 Back 引用，如果在正則表達式中至少存在多個子表達式的話；否則，解析器將刪除數字，直到該數小於等於組的現有數或者其為一個數字。

• Perl 使用 g 標志請求恢復最后匹配丟失的匹配。此功能是由 Matcher 類顯式提供的：重復執行 find 方法調用可以恢復丟失的最后匹配，除非匹配器被重置。

• 在 Perl 中，位於表達式頂級的嵌入式標記對整個表達式都有影響。在此類中，嵌入式標志始終在它們出現的時候才起作用，不管它們位於頂級還是組中；在后一種情況下，與在 Perl 中類似，標志在組的結尾處還原。

• Perl 允許錯誤匹配構造，如在表達式 *a 中，以及不匹配的括號，如在在表達式 abc] 中，並將其作為字面值對待。此類還接受不匹配的括號，但對 +、? 和 * 不匹配元字符有嚴格限制；如果遇到它們，則拋出 PatternSyntaxException。

有關正則表達式構造行為更准確的描述，請參見 Mastering Regular Expressions, 2nd Edition，該書由 Jeffrey E. F. Friedl、O'Reilly 和 Associates 合著，於 2002 年出版。

version	1.123, 06/06/28
since	1.4
spec	JSR-51
See also	split(String, int), split(String)

 

 

Fields

final public static int

UNIX_LINES
啟用 Unix 行模式。

在此模式中，.、^ 和 $ 的行為中僅識別 '\n'行結束符。

通過嵌入式標志表達式 (?d) 也可以啟用 Unix 行模式。

 

final public static int

CASE_INSENSITIVE
啟用不區分大小寫的匹配。

默認情況下，不區分大小寫的匹配假定僅匹配 US-ASCII 字符集中的字符。可以通過指定 #UNICODE_CASE標志連同此標志來啟用 Unicode 感知的、不區分大小寫的匹配。

通過嵌入式標志表達式  (?i)也可以啟用不區分大小寫的匹配。

指定此標志可能對性能產生一些影響。

 

final public static int

COMMENTS
模式中允許空白和注釋。

此模式將忽略空白和在結束行之前以 #開頭的嵌入式注釋。

通過嵌入式標志表達式  (?x) 也可以啟用注釋模式。

 

final public static int

MULTILINE
啟用多行模式。

在多行模式中，表達式 ^ 和 $僅分別在行結束符前后匹配，或者在輸入序列的結尾處匹配。默認情況下，這些表達式僅在整個輸入序列的開頭和結尾處匹配。

通過嵌入式標志表達式 (?m) 也可以啟用多行模式。

 

final public static int

LITERAL

啟用模式的字面值解析。

指定此標志后，指定模式的輸入字符串就會作為字面值字符序列來對待。輸入序列中的元字符或轉義序列不具有任何特殊意義。

標志 CASE_INSENSITIVE 和 UNICODE_CASE 在與此標志一起使用時將對匹配產生影響。其他標志都變得多余了。

不存在可以啟用字面值解析的嵌入式標志字符。

since

1.5

 

final public static int

DOTALL
啟用 dotall 模式。

在 dotall 模式中，表達式 .可以匹配任何字符，包括行結束符。默認情況下，此表達式不匹配行結束符。

通過嵌入式標志表達式 (?s) 也可以啟用 dotall 模式（s 是 "single-line" 模式的助記符，在 Perl 中也使用它）。

 

final public static int

UNICODE_CASE
啟用 Unicode 感知的大小寫折疊。

指定此標志后，由 #CASE_INSENSITIVE標志啟用時，不區分大小寫的匹配將以符合 Unicode Standard 的方式完成。默認情況下，不區分大小寫的匹配假定僅匹配 US-ASCII 字符集中的字符。

通過嵌入式標志表達式 (?u)也可以啟用 Unicode 感知的大小寫折疊。

指定此標志可能對性能產生影響。

 

final public static int

CANON_EQ
啟用規范等價。

指定此標志后，當且僅當其完整規范分解匹配時，兩個字符才可視為匹配。例如，當指定此標志時，表達式 "a\u030A" 將與字符串 "\u00E5"匹配。默認情況下，匹配不考慮采用規范等價。

不存在可以啟用規范等價的嵌入式標志字符。

指定此標志可能對性能產生影響。

 

 

Methods

public static Pattern

compile(String regex)

將給定的正則表達式編譯到模式中。

regex	要編譯的表達式
Throws	PatternSyntaxException: 如果表達式的語法無效

 

public static Pattern

compile(String regex, int flags)

將給定的正則表達式編譯到具有給定標志的模式中。

regex	要編譯的表達式
flags	匹配標志，可能包括 #CASE_INSENSITIVE、#MULTILINE、#DOTALL、#UNICODE_CASE、 #CANON_EQ、#UNIX_LINES、#LITERAL 和 #COMMENTS 的位掩碼
Throws	IllegalArgumentException: 如果在 flags 中設置與定義的匹配標志不對應的位值
Throws	PatternSyntaxException: 如果表達式的語法無效

 

public int

flags()

返回此模式的匹配標志。

return

編譯此模式時指定的匹配標志

 

public Matcher

matcher(CharSequence input)

創建匹配給定輸入與此模式的匹配器。

input	要匹配的字符序列
return	此模式的新匹配器

 

public static boolean

matches(String regex, CharSequence input)

編譯給定正則表達式並嘗試將給定輸入與其匹配。

調用此便捷方法的形式

 
Pattern.matches(regex, input);

與表達式

 
Pattern.compile(regex).matcher(input).matches() 

的行為完全相同。

如果要多次使用一種模式，編譯一次后重用此模式比每次都調用此方法效率更高。

regex	要編譯的表達式
input	要匹配的字符序列
Throws	PatternSyntaxException: 如果表達式的語法無效

 

public String

pattern()

返回在其中編譯過此模式的正則表達式。

return

模式的源代碼

 

public static String

quote(String s)

返回指定 String 的字面值模式 String。

此方法產生一個 String，可以將其用於創建與字符串 s 匹配的 Pattern，就好像它是字面值模式一樣。

輸入序列中的元字符和轉義序列不具有任何特殊意義。

s	要字面值化的字符串
return	字面值字符串替換
since	1.5

 

public String[]

split(CharSequence input, int limit)

圍繞此模式的匹配拆分給定輸入序列。

此方法返回的數組包含輸入序列的子字符串，由匹配此模式的另一子序列或輸入序列的結尾終止。數組中子字符串的順序與其在輸入中出現的順序相同。如果此模式與輸入的任何子序列都不匹配，那么得到的數組僅包含一個元素，即字符串形式的輸入序列。

limit 參數控制應用模式的次數，從而影響結果數組的長度。如果限制 n 大於零，那么模式至多應用 n> - 1 次，數組的長度不大於 n，並且數組的最后條目將包含除最后的匹配定界符之外的所有輸入。如果 n 非正，那么將應用模式的次數不受限制，並且數組可以為任意長度。如果 n為零，那么應用模式的次數不受限制，數組可以為任意長度，並且將丟棄尾部空字符串。

例如，輸入 "boo:and:foo"將產生以下結果及參數：

Regex	Limit	Result
:	2	{ "boo", "and:foo" }
:	5	{ "boo", "and", "foo" }
:	-2	{ "boo", "and", "foo" }
o	5	{ "b", "", ":and:f", "", "" }
o	-2	{ "b", "", ":and:f", "", "" }
o	0	{ "b", "", ":and:f" }

input	要拆分的字符序列
limit	結果閾值，如上文中所述
return	根據圍繞此模式的匹配來拆分輸入后所計算的字符串數組

 

public String[]

split(CharSequence input)

圍繞此模式的匹配拆分給定輸入序列。

此方法的工作方式類似於使用給定的輸入序列和限制參數零調用兩參數 (java.lang.CharSequence, int) split} 方法。因此，得到的數組中不包括尾部空字符串。

例如，輸入 "boo:and:foo"將產生以下結果及表達式：

Regex	Result
:	{ "boo", "and", "foo" }
o	{ "b", "", ":and:f" }

input	要拆分的字符序列
return	根據圍繞此模式的匹配來拆分輸入后所計算的字符串數組

 

public String

toString()

返回此模式的字符串表示形式。此為在其中編譯過此模式的正則表達式。

return	模式的字符串表示形式
since	1.5