博客

正则表达式

的编译表示形式。

指定为字符串的正则表达式必须首先被编译为此类的实例。然后，可将得到的模式用于创建

Matcher

对象，依照正则表达式，该对象可以与任意字符序列匹配。执行匹配所涉及的所有状态都驻留在匹配器中，所以多个匹配器可以共享同一模式。

因此，典型的调用顺序是

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

在仅使用一次正则表达式时，可以方便地通过此类定义

matches

方法。此方法编译表达式并在单个调用中将输入序列与其匹配。语句

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

等效于上面的三个语句，尽管对于重复的匹配而言它效率不高，因为它不允许重用已编译的模式。

此类的实例是不可变的，可供多个并发线程安全使用。

Matcher

类的实例用于此目的则不安全。

正则表达式的构造摘要

的非捕获组

反斜线、转义和引用

反斜线字符 (‘/’) 用于引用转义构造，如上表所定义的，同时还用于引用其他将被解释为非转义构造的字符。因此，表达式 // 与单个反斜线匹配，而 /{与左括号匹配。

在不表示转义构造的任何字母字符前使用反斜线都是错误的；它们是为将来扩展正则表达式语言保留的。可以在非字母字符前使用反斜线，不管该字符是否非转义构造的一部分。

根据 Java Language Specification 的要求，Java 源代码的字符串中的反斜线被解释为 Unicode 转义或其他字符转义。因此必须在字符串字面值中使用两个反斜线，表示正则表达式受到保护，不被 Java 字节码编译器解释。例如，当解释为正则表达式时，字符串字面值 “/b” 与单个退格字符匹配，而 “//b” 与单词边界匹配。字符串字面值 “/(hello/)” 是非法的，将导致编译时错误；要与字符串 (hello) 匹配，必须使用字符串字面值 “//(hello//)”。

字符类

字符类可以出现在其他字符类中，并且可以包含并集运算符（隐式）和交集运算符 (&&)。并集运算符表示至少包含其某个操作数类中所有字符的类。交集运算符表示包含同时位于其两个操作数类中所有字符的类。

字符类运算符的优先级如下所示，按从最高到最低的顺序排列：

1	字面值转义	/x
2	分组	[…]
3	范围	a-z
4	并集	[a-e][i-u]
5	交集	[a-z&&[aeiou]]

注意，元字符的不同集合实际上位于字符类的内部，而非字符类的外部。例如，正则表达式 . 在字符类内部就失去了其特殊意义，而表达式 – 变成了形成元字符的范围。

行结束符

行结束符

是一个或两个字符的序列，标记输入字符序列的行结尾。以下代码被识别为行结束符：

• 新行（换行）符 (‘/n’)、
• 后面紧跟新行符的回车符 (“/r/n”)、
• 单独的回车符 (‘/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，则新行符是唯一识别的行结束符。

如果未指定

#DOTALL

标志，则正则表达式 .可以与任何字符（行结束符除外）匹配。

默认情况下，正则表达式 ^ 和 $ 忽略行结束符，仅分别与整个输入序列的开头和结尾匹配。如果激活

#MULTILINE

模式，则 ^ 在输入的开头和行结束符之后（输入的结尾）才发生匹配。处于

#MULTILINE

模式中时，$ 仅在行结束符之前或输入序列的结尾处匹配。

组和捕获

捕获组可以通过从左到右计算其开括号来编号。例如，在表达式 ((A)(B(C))) 中，存在四个这样的组：

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

组零始终代表整个表达式。

之所以这样命名捕获组是因为在匹配中，保存了与这些组匹配的输入序列的每个子序列。捕获的子序列稍后可以通过 Back 引用在表达式中使用，也可以在匹配操作完成后从匹配器获取。

与组关联的捕获输入始终是与组最近匹配的子序列。如果由于量化的缘故再次计算了组，则在第二次计算失败时将保留其以前捕获的值（如果有的话）例如，将字符串 “aba” 与表达式 (a(b)?)+ 相匹配，会将第二组设置为 “b”。在每个匹配的开头，所有捕获的输入都会被丢弃。

以 (?) 开头的组是纯的

非捕获

组，它不捕获文本，也不针对组合计进行计数。

Unicode 支持

此类符合

Unicode Technical Standard #18:Unicode Regular Expression Guidelines

第 1 级和 RL2.1 Canonical Equivalents。

Java 源代码中的 Unicode 转义序列（如 /u2014）是按照 Java Language Specification 的 第 3.3 节中的描述处理的。这样的转义序列还可以由正则表达式解析器直接实现，以便在从文件或键盘击键读取的表达式中使用 Unicode 转义。因此，可以将不相等的字符串 “/u2014” 和 “//u2014” 编译为相同的模式，从而与带有十六进制值 0x2014 的字符匹配。

与 Perl 中一样，Unicode 块和类别是使用 /p 和 /P 构造编写的。如果输入具有属性

prop

，则与 /p{undefined

prop

} 匹配，而输入具有该属性时与 /P{undefined

prop

} 不匹配。块使用前缀 In 指定，与在 InMongolian 中一样。可以使用可选前缀 Is 指定类别：/p{L} 和 /p{IsL}都表示 Unicode 字母的类别。块和类别在字符类的内部和外部都可以使用。

受支持的类别是由

Character

类指定版本中的

The Unicode Standard

的类别。类别名称是在 Standard 中定义的，即标准又丰富。

Pattern

所支持的块名称是

UnicodeBlock.forName

所接受和定义的有效块名称。

行为类似 java.lang.Character boolean 是

methodname

方法（废弃的类别除外）的类别，可以通过相同的 /p{undefined

prop

} 语法来提供，其中指定的属性具有名称 java

methodname

。

与 Perl 5 相比较


Pattern

引擎用有序替换项执行传统上基于 NFA 的匹配，与 Perl 5 中进行的相同。

此类不支持 Perl 构造：

• 条件构造 (?{undefined
  
  X
  
  }) 和 (?(
  
  condition
  
  )
  
  X
  
  |
  
  Y
  
  )、

• 嵌入式代码构造 (?{undefined
  
  code
  
  }) 和 (??{undefined
  
  code
  
  })、

• 嵌入式注释语法 (?#comment) 和

• 预处理操作 /l /u、/L 和 /U。

此类支持但 Perl 不支持的构造：

• Possessive 数量词，它可以尽可能多地进行匹配，即使这样做导致所有匹配都成功时也如此。

• 字符类并集和交集，如上文所述。

与 Perl 的显著不同点是：

• 在 Perl 中，/1 到 /9 始终被解释为 Back 引用；如果至少存在多个子表达式，则大于 9 的反斜线转义数按 Back 引用对待，否则在可能的情况下，它将被解释为八进制转义。在此类中，八进制转义必须始终以零开头。在此类中，/1 到 /9 始终被解释为 Back 引用，较大的数被接受为 Back 引用，如果在正则表达式中至少存在多个子表达式的话；否则，解析器将删除数字，直到该数小于等于组的现有数或者其为一个数字。

• Perl 使用 g 标志请求恢复最后匹配丢失的匹配。此功能是由
  
Matcher

  类显式提供的：重复执行
  
find

  方法调用可以恢复丢失的最后匹配，除非匹配器被重置。

• 在 Perl 中，位于表达式顶级的嵌入式标记对整个表达式都有影响。在此类中，嵌入式标志始终在它们出现的时候才起作用，不管它们位于顶级还是组中；在后一种情况下，与在 Perl 中类似，标志在组的结尾处还原。

• Perl 允许错误匹配构造，如在表达式 *a 中，以及不匹配的括号，如在在表达式 abc] 中，并将其作为字面值对待。此类还接受不匹配的括号，但对 +、? 和 * 不匹配元字符有严格限制；如果遇到它们，则抛出
  
PatternSyntaxException

  。

有关正则表达式构造行为更准确的描述，请参见

Mastering Regular Expressions, 2nd Edition

，该书由 Jeffrey E. F. Friedl、O’Reilly 和 Associates 合著，于 2002 年出版。