Merlin的魔力: 用新的正则表达式库解析字符序列

解析模式的文本字符串

正则表达式是根据文本匹配模式的方法 ― 类似于编译器生成类文件的工作原理。编译器在源代码中查找各种模式以便将源代码表达式转换为字节码。通过识别这些源代码模式，编译器能够只将有效的源代码表示转换为已编译的类文件。

什么是模式？

在正则表达式的上下文中，模式是字符序列的文本表示法。例如，如果您想知道一个字符序列中是否存在 car这个词，您会使用模式 car，因为这是精确地表示该字符串的方法。对于更复杂的模式，您可以使用特殊字符作为占位符。如果您不是要搜索 car，而是想搜索以字母 c开头并以字母 r结尾的任何文本字符串，您会使用 c*r模式，其中 *代表第一个 r前的任意多个字符。 c*r模式将匹配任何以 c开头并以 r结尾的字符串，如 cougar、 cavalier或 chrysler。

如何指定模式表达式

模式匹配的主要部分是关于要使用什么样的表达式。 Pattern 先保存要使用的表达式，然后将其传递给 Matcher 类以便在字符序列的上下文中检查其匹配情况。例如，如果您想验证一个电子邮件地址，您可能要检查用户输入是否与这样一个模式匹配 ― 它包含一个字母数字序列，后跟一个 @ 符号，@ 后又跟两组用句点隔开的字符。这可以用表达式 \p{Alnum}+@\w+\.\p{Alpha}{2,3} 来表示。（是的，这过于简化了电子邮件地址的结构，可能会排除某些有效的电子邮件地址，但它作为示例已经足够了。）

在讨论模式语言的具体细节之前，我们来仔细看一下 \p{Alnum}+@\w+\.\p{Alpha}{2,3} 。 \p{Alnum} 序列表示单个字母数字字符（A 到 Z、a 到 z 或 0 到 9）。 \p{Alnum} 后面的加号（+）被称为 量词（quantifier）。它被应用在表达式的前面部分，表示 \p{Alnum} 必须出现一次或更多次。使用星号（*）表示要出现零次或一次以上（含一次）。@ 就是意味着它必须出现在至少一个字母数字字符之后，这样整个模式匹配才能成功。 \w+ 与 \p{Alnum}+ 类似，但添加了下划线（_）。某些序列有多个表达式。反斜杠（\ .）代表句点。如果前面没有反斜杠，单独一个句点代表任意字符。最后的 \p{Alpha}{2, 3} 表示两个或三个字母字符。

只要学会了规范语言，您就能掌握模式的所有秘密。我们来看一些更常用的表达式的种类：

文字（Literal）：表达式内任何不具有特殊意义的字符都被看作是一个文字，并与自身匹配。

量词（Quantifier）：某些字符或表达式，它们被用来计算一个文字或分组可以在字符序列中出现的次数，以便该序列与表达式匹配。分组是由圆括号内的一组字符指定的。

? 表示出现一次或根本不出现

* 表示出现零次或一次以上（含一次）

+ 表示出现一次或多次

字符类（Character class）：一个字符类就是方括号内的一个字符集，其中，匹配可以是括号内的任意一个字符。您可以把字符类与量词结合在一起，例如， [acegikmoqsuwy]* 将是只包含字母表中奇数字母的任意字符序列。某些字符类是预先定义的：

\d ― 数字（0 到 9）

\D -- 非数字

\s -- 空白字符，如制表符或换行符

\S -- 非空白字符

\w -- 单字字符（a 到 z、A 到 Z、0 到 9 以及下划线）

\W -- 非单字字符（其它任意字符）

Merlin的魔力: 用新的正则表达式库解析字符序列(2)

Posix 字符类（Posix character class）：某些字符类仅在用于 US-ASCII 比较时才有效。例如：

\p{Lower} ― 小写字符

\p{Upper} ― 大写字符

\p{ASCII} ― 所有 ASCII 字符

\p{Alpha} ― 字母字符（\p{Lower} 与 \p{Upper} 相结合）

\p{Digit} ― 从 0 到 9 的数字

\p{Alnum} ― 字母数字字符

范围（Range）：使用短线（dash）来指定包括一定范

凌众科技专业提供服务器租用、服务器托管、企业邮局、虚拟主机等服务，公司网站：http://www.lingzhong.cn 为了给广大客户了解更多的技术信息，本技术文章收集来源于网络,凌众科技尊重文章作者的版权，如果有涉及你的版权有必要删除你的文章，请和我们联系。以上信息与文章正文是不可分割的一部分,如果您要转载本文章,请保留以上信息，谢谢!