Chinaunix首页 | 论坛 | 博客
  • 博客访问: 1207598
  • 博文数量: 181
  • 博客积分: 6155
  • 博客等级: 准将
  • 技术积分: 1805
  • 用 户 组: 普通用户
  • 注册时间: 2008-08-05 09:24
文章分类

全部博文(181)

文章存档

2015年(2)

2014年(3)

2013年(9)

2012年(29)

2011年(30)

2010年(36)

2009年(40)

2008年(32)

分类: Java

2009-03-13 16:14:08

这两天刚好想学习正则表达式,不过网上找不到什么好资料,只好自己看api,今天上午
边看边翻译了一些,由于第一次翻译,错误很多,望各位不吝指正:

java.util.regex.pattern

正则表达式的一种已编译的实现。

正则表达式通常以字符串的形式出现,它首先必须被编译为pattern类的一个实例。
结果模型可以用来生成一个matcher,它(生成的macher实例)可以匹配根据
这个正则表达式生成的任意字符序列。在实现一个匹配器中的匹配时包括了
任意多的情况,并且多个匹配器可以共享同一个匹配模式。
下面是一个典型的调用次序:

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

为了方便使用,pattern类也定义了matches()方法,
因为有时候一个正则表达使只用到一次。
在一次调用中,这个方法首先编译表达式,然后匹配输入的序列。
下面这个句子:

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

等价于上面的三个句子。但是由于它不允许便以后的模式被重用,所以在需要重复匹配
时显然比上面的方法效率要低。

pattern类的实例不能被改变,并且是线程安全的。注意,matcher类并不是线程安全的


正则表达式结构简介:
字符:
x   字符 x
\\  反斜杠
\0n     十进制数 (0 <= n <= 7)
\0nn    十进制数 0nn (0 <= n <= 7)
\0mnn   十进制数 0mnn (0 <= m <= 3, 0 <= n <= 7)
\xhh    十六进制数 0xhh
\uhhhh  十六进制数 0xhhhh
\t  制表符 (´\u0009´)
\n  换行符 (´\u000a´)
\r  回车符 (´\u000d´)
\f  the form-feed character (´\u000c´)
\a  the alert (bell) character (´\u0007´)
\e  esc符号 (´\u001b´)
\cx     x 对应的控制符

字符类
[abc]       a, b, 或 c (简单字符串)
[^abc]      除了 a, b, 或 c 之外的任意字符(否定)
[a-za-z]    从a 到 z 或 从a 到 z(包括a,z,a,z)(范围)
[a-d[m-p]]  从a 到 d, 或 从m 到 p: [a-dm-p] (并集)
[a-z&&[def]]    d, e, 或 f (交集)
[a-z&&[^bc]]    从a 到 z, 但 b 和 c 除外: [ad-z] (子集)
[a-z&&[^m-p]]   从a 到 z, 不包括从 m 到 p: [a-lq-z](子集)

预定义字符序列
.   任意字符 (也可能不包括行结束符)
\d  数字: [0-9]
\d  非数字: [^0-9]
\s  空字符: [ \t\n\x0b\f\r]
\s  非空字符: [^\s]
\w  单字字符: [a-za-z_0-9]
\w  非单字字符: [^\w]

posix 字符类 (us-ascii only)
\p{lower}   小写字母字符: [a-z]
\p{upper}   大写字母字符:[a-z]
\p{ascii}   所有 ascii:[\x00-\x7f]
\p{alpha}   单个字母字符:[\p{lower}\p{upper}]
\p{digit}   十进制数: [0-9]
\p{alnum}   单个字符:[\p{alpha}\p{digit}]
\p{punct}   标点符号: 包括 !"#$%&´()*+,-./:;<=>?@[\]^_`{|}~
\p{graph}   可视字符: [\p{alnum}\p{punct}]
\p{print}   可打印字符: [\p{graph}]
\p{blank}   空格或制表符: [ \t]
\p{cntrl}   控制字符: [\x00-\x1f\x7f]
\p{xdigit}  十六进制数: [0-9a-fa-f]
\p{space}   空字符: [ \t\n\x0b\f\r]

unicode 字符类
\p{ingreek}     希腊语种的字符 (simple block)
\p{lu}      大写字母 (simple category)
\p{sc}      货币符号
\p{ingreek}     除希腊语种字符外的任意字符 (negation)
[\p{l}&&[^\p{lu}]]  除大写字母外的任意字符 (subtraction)

边界匹配器
^   一行的开始
$   一行的结束
\b  单词边界
\b  非单词边界
\a  输入的开始
\g  当前匹配的结束
\z  the end of the input but for the final terminator, if any
\z  输入的结束

greedy quantifiers
贪婪匹配量词(greedy quantifiers )(不知道翻译的对不对)
x?          x不出现或出现一次
x*          x不出现或出现多次
x+          x至少出现一次
x{n}        x出现n次
x{n,}       x至少出现n次
x{n,m}      x至少出现n次,但不会超过m次

reluctant quantifiers
x??         x, 不出现或出现一次
x*?         x, 不出现或出现多次
x+?         x, 至少出现一次
x{n}?       x, 出现n次
x{n,}?      x, 至少出现n次
x{n,m}?     x, 至少出现n次,但不会超过m次

possessive quantifiers
x?+     x, 不出现或出现一次
x*+         x, 不出现或出现多次
x++         x, 至少出现一次
x{n}+       x, 出现n次
x{n,}+      x, 至少出现n次
x{n,m}+     x, 至少出现n次,但不会超过m次

逻辑运算符
xy  y跟在x后面
x|y     x 或 y
(x)     x, as a capturing group

反向引用
\n  whatever the nth capturing group matched

quotation
\   引用后面的字符
\q  引用所有的字符直到 \e 出现
\e  结束以 \q 开始的引用

special constructs (non-capturing)
(?:x)           x, as a non-capturing group
(?idmsux-idmsux)    匹配标志开关
(?idmsux-idmsux:x)      x, as a non-capturing group with the given flags on
- off
(?=x)           x, via zero-width positive lookahead
(?!x)           x, via zero-width negative lookahead
(?<=x)          x, via zero-width positive lookbehind
(?(?>x)           x, as an independent, non-capturing group

backslashes, escapes, and quoting

反斜杠字符(´\´)用来转义,就像上面的表中定义的那样,如果不这样做的话可能会产生
歧义。因此,表达式\\匹配
单个反斜杠,表达式\{匹配单个左花括号。
如果把反斜杠放在没有定义转移构造的任何字母符号前面都会发生错误,这些将被保留
到以后的正则表达式中扩展。反斜杠可以放在任何
非字母符号前面,即使它没有定义转义构造也不会发生错误。
在java语言规范中指出,在java代码中自符串中的反斜杠是必要的,不管用于unicode转
义,还是用于普通的字符转义。因此,
为了保持正则表达式的完整性,在java字符串中要写两个反斜杠。例如,在正则表达式
中字符´\b´代表退格,´\\b´则代表单词边界。´\(hello\)´是无效的,并且会产生编译
时错误,你必须用
´\\(hello\\)´来匹配(hello)。

character classes

字符类可以出现在其他字符类内部,并且可以由并操作符和与操作符(&&)组成。并集操
作结果是,其中的任意字符,肯定在至少其中操作数中至少出现过一次。
交集的结果包括各个操作数中同时出现的任意字符。

字符类操作符的优先级如下:(从高到低)
1     文字转义      \x
2     集合      [...]
3     范围      a-z
4     并集      [a-e][i-u]
5     交集      [a-z&&[aeiou]]

请注意各个字符类的有效字符集。例如,在字符类中,正则表达式.失去了它的特别含义
,而-变成了元字符的范围指示。

line terminators

行结束符是一个或两个字符序列,用来标识输入字符序列的一行的结束。下列都被认为
是行结束符:

换行符      (´\n´),
回车换行符  ("\r\n"),
回车符      (´\r´),
下一行      (´\u0085´),
行分隔符    (´\u2028´), 或
段分隔符    (´\u2029).

如果激活了 unix_lines 模式,唯一的行结束符就是换行符。
除非你指定了 dotall 标志,否则正则表达式.匹配任何字符,只有行结束符除外。
确省情况时,在整个输入队列中,正则表达式^和$忽略行结束符,只匹配开始和结束。
如果激活了 multiline 模式,则^匹配输入的开始和所有行结束符之后,除了整个输入
的结束。
在multiline 模式下,$匹配所有行结束符之前,和整个输入的结束。

groups and capturing

分组捕获通过从左到右的顺序,根据括号的数量类排序。例如,在表达式((a)(b(c)))中
,有四个组:
1     ((a)(b(c)))
2     (a)
3     (b(c))
4     (c)

0组代表整个表达式。
分组捕获之所以如此命名,是因为在匹配过程中,输入序列的每一个与分组匹配的子序
列都会被保存起来。通过向后引用,被捕获的子序列可以在后面的表达式中被再次使用

而且,在匹配操作结束以后还可以通过匹配器重新找到。
与一个分组关联的被捕获到的输入通常是被保存的最近与这个分组相匹配的队列的子队
列。如果一个分组被第二次求值,即使失败,它的上一次被捕获的值也会被保存起来。
例如,
表达式(a(b)?)+匹配"aba","b"设为子分组。在开始匹配的时候,以前被捕获的输入都
将被清除。
以(?开始的分组是完全的,无需捕获的分组不会捕获任何文本,也不会计算分组总数。

unicode support

unicode technical report #18: unicode regular expression guidelines通过轻微的语法改变实现了更深层次的支持。
在java代码中,像\u2014 这样的转义序列,java语言规范中?3.3提供了处理方法

为了便于使用从文件或键盘读取的unicode转义字符,正则表达式解析器也直接实现了这
种转移。因此,字符串"\u2014"与"\\u2014"虽然不相等,但是编译进同一种模式,可以
匹配
十六进制数0x2014。

在perl中,unicode块和分类被写入\p,\p。如果输入有prop属性,\p{prop}将会匹配,
而\p{prop}将不会匹配。块通过前缀in指定,作为在nmongolian之中。
分类通过任意的前缀is指定: \p{l} 和 \p{isl} 都引用 unicode 字母。块和分类可以
被使用在字符类的内部或外部。

the unicode standard, version 3.0指出了支持的块和分类。块的名字在第14章和 unicode character
database中的 blocks-3.txt 文件定义,
但空格被剔除了。例如basic latin"变成了  "basiclatin"。分类的名字被定义在88页
,表4-5。

comparison to perl 5

pattern类不支持的perl构造:
条件构造    (?{x}) 和 (?(condition)x|y),

嵌入代码构造    (?{code}) 和 (??{code}),

嵌入注释语法    (?#comment), 和

操作预处理   \l \u, \l, and \u.

perl不支持的pattern类构造:
所有权量词,它贪婪匹配任意多。
字符类交集和并集。

notable differences from perl:
下面的对我无关紧要,就不翻译了。

 

第一次翻译东西,有很多都不懂,明明心里知道,可就是不知道该怎么写,我知道有很多错误,希望各位大侠多多指正,多谢!

阅读(1916) | 评论(0) | 转发(0) |
给主人留下些什么吧!~~