JAVA与正则表达式（2年级之1）

JAVA与正则表达式（2年级之1）

在一年级时，我们比较轻松的了解了Java & regex （是正则表达式的缩写，与Java的包无关）的一些基本用法。一年级的主要任务是：

① 搞了几个可运行的程序。后面要学习的东西，我们可以用相似的程序处理。

② 我们找到了与regex相关的Java类——Pattern和Matcher、String、StringBuffer和StringTokenizer后面我们着重学习它们。
（另外，暂时不想去搞的几个咚咚——PatternSyntaxException、java.util.Scanner）。）。

③ 我们了解了regex的大致特点，一种生成字符串的字符串。不管它将会如何复杂，也不过是一个特殊的字符串，而已。



到了二年级，我们准备系统的学习，因而感到凝重起来。yqj2065发现了一个超好的工具——Regulator，它是一个高级的、free regex的测试和学习工具，它让你……到这里http://regex.osherove.com/自己看，我去下载了，呵呵。

安装……问题？它需要一个什么.Net Framework！！！一个小小的工具要那个大大的Framework干嘛，偏偏前几天我重装了系统，晕。心中又对M$反感起来。【提供了其C＃源代码。】



我又发现了一个超好的工具——EditPad Pro，它是一个高级的、free regex的测试和学习工具，它让你……到这里Download EditPad Pro Demo for Windows 95/98/ME/NT4/2000/XP (1.8 MB)自己看，我去下载了，呵呵。

问题是，它的 regex flavor is almost identical to the one used in Perl 5。这使我有点不放心，因为Java在其Pattern文档中比较了与Perl 5的异同。

本来想系统学学Java& regex，可心中打着小鼓，情不自禁地脸黑黑了。【yqj2065提示：我想学习的与你想学习的可能不同。跳过你不喜欢的部分。】



全部2年级的主题： 正则表达式语法

§1正则表达式：天使 | 魔鬼
通过一年级学习，我发现，两条腿走路很不爽，一下抬起Java，一下提起regex，我想一条腿走路。我蹦我蹦我蹦蹦，像三级跳远一样，专注于regex的学习。我们不要JVM，可能轻松了许多。

regular expression翻译成正则表达式，一看就是很有学问的样子。如果我说正则表达式起始于Java，没有人相信；如果有人说正则表达式起始于UNIX系统，我们也不要相信。

1956 年, 数学家Stephen Kleene在Warren McCulloch and Walter Pitts早期神经系统工作的基础上，搞成了一个数学符号体系——regular sets，规则的集合。这个咚咚很快被计算机科学家用于编译器的扫描或词法分析（ lexical analysis）中。因此，正则表达式起始于自动机理论和形式语言理论（我们会在形式语言与自动机理论课程中接触正则表达式，属于理论计算机科学），我们在编译原理课程中，也可能会接触到正则表达式。【ref：《编译原理及实践》】



正则表达式强大的文本处理能力，很快被Kenneth Thompson应用到Unix的工具软件grep中；此后，正则表达式被广泛应用于Unix系操作系统，Perl、PHP，Delphi、JavaScript、C#（.NET），Java、Python、Ruby等语言和开发环境，以及很多的应用软件特别是文本编辑器中。值得一提的是，Perl regular expressions形成了一种大致的标准，人们常常使用pcre (Perl Compatible Regular Expressions)，如同IBM兼容机。【http://en.wikipedia.org/wiki】yqj2065



为什么Java直到JDK1.4才提供对regex的支持呢？这让很多人不满。在JDK1.4出现之前，有一些第三方库出现，现在可能不需要它了。例如：

l Package com.stevesoft.pat【http://www.javaregex.com/patfull.html】，这里有一些有趣的东西还可以看看。比如ReGame, the regular expression game。

l 源代码开放的正则表达式库：Jakarta-ORO正则表达式库，它是最全面的正则表达式API之一，而且它与Perl 5正则表达式完全兼容。

直到现在，很多人还在学习和使用StringTokenizer，一方面是教材落后（滞后），一方面是很多人认为正则表达式麻烦，如果我们把它视为洪水猛兽，我们永远搞不懂它。其实，学习正则表达式的唯一困难，仅仅是它不直观。

§2正则表达式是定义语言的语言
自从XML为人们熟悉以来，定义语言的语言就不神秘了。直观地说，regex是生成字符串的字符串。这些由一个regex生成的字符串组成了一种语言。

正则表达式r完全由它所匹配的字符串集合（串集）来定义。这个集合称为由正则表达式生成的语言（language generated by the regular expression），可以写作L（r）——以r为模式的L。此处的语言只表示“串的集合”。如：

L(a)＝{a}

L(a+)={a,aa,aaa,aaaa,……}

该语言首先依赖于适用的字符集，一般是ASCII字符的集合或它的某个子集，Java则使用Unicode字符集，这个字符集是我们在正则表达式中能使用的字母表——∑。

正则表达式r的组成：

l 字母表中的字符。要注意，此时L(a+)中的a不是简单的a，它是一个模式（模板）。

l 有特殊含义的字符——元字符(meta-character)。它们可能也是字母表中正规字符，如* +等等，也可能不是字母表中字符，如\n,\x09等等。这时，我们通过转义字符（escape character）来处理。源代码中，对于前者，加一个\；对于后者，去掉\。



【下面的符号指集合的运算】

最小正则表达式有三种形式：

l L (a) = {a}。单一字符a。此时a可能是任何一个合法的字母表中的字符。如L (x) = {x}。

l L(ε) = {ε}。ε（epsilon）表示空串（empty string）——空串就是不包含任何字符的串。类似String str=””.

l L(Ф)= { }.Ф表示空集（empty set）,该语言与任何串都不匹配。

注意{ε}和{ }的区别：{ }集不包括任何串，而{ }则包含一个串——没有任何字符的串。



正则表达式的三种基本运算：

l 并集——用元字符|（竖线）表示。

如果r 和s 是正则表达式，那么正则表达式r | s 可匹配被r 或s 匹配的任意串。r | s 语言是r 语言和s 语言的联合（union）。

例如：L (a)＝{a}, L (c)＝{ c }则

L (a|c)= L (a)∪L (c)= {a}∪{ c }={a,c}.

又如：L (a|b|c|d) = { a, b, c, d}。

【并集在Java的正则表达式中，书写方式有：a|c、[ac] 、a-z 、等等】

l 连结——不用元字符，顺着写就行了。

正则表达式r 和正则表达式s 的连结可写作rs。

这里说明一下括号()元字符的作用。正则表达式L (a b)＝{a b}，L (c)＝{c},那么正则表达式L((a|b)c)= L (a|b)⊙ L(c)={ac,bc}

【连结书写方式有：a{2,4}等等】

l 重复或“闭包”——用元字符*表示。

r 是一个正则表达式。正则表达式r * 将匹配r串的任意有穷连结。虽然我们说L(a*)＝{ }∪{ a}∪{aa}∪{aaa}∪……＝{ε,a,aa,aaa,aaaa,……}是一个无穷集。

【闭包在Java的正则表达式中派生了一些书写方式：

L(a+)＝L(a*)－ε即a+匹配a,aa,aaa,aaaa,……

L(a?) = L (ε|a). 即a? 匹配ε、a。】



运算的优先和括号的使用

三种基本运算的优先级为闭包>连结>并集，除非使用()改变。

L(a|b*)={ a,ε,b, bb, bbb…… }

L((a|b)*) = {ε, a, b, aa, ab, ba, bb, …… }，



定义正则表达式（regular expression）是以下的一种：

1. 基本（b a s i c）正则表达式由一个单字符a（其中a 在正规字符的字母表å中），以及元字符或元字符组成。在第1种情况下，L (a) = {a}；在第2种情况下，L (ε) ={ε}；在第3种情况下，L (Ф) = {}。

r和s 均是正则表达式时：

2. r | s 格式的表达式： L (r | s) = L (r) ∪ L (s)。

3. rs 格式的表达式： L (r s) = L (r) L (s)。

4. r* 格式的表达式： L (r*) = L (r) *。

5. (r）格式的表达式： L ( (r)) = L (r)，括号并不改变语言，它们只调整运算的优先权。



【这些东西，都是应该知道的基本知识哦。ref：《编译原理及实践》】

练习

2.1-1 在简单字母表∑ = {a, b, c}上构造一种语言，它是仅包括一个b 的所有串的集合：如aaba、abclearcase/" target="_blank" >cca等等。

答案： (a|c)*b(a|c)*

例如：String str＝“abaaabcccbabaaaaabc”，匹配时替换为Java。则输出为：JavaJavaJavaJavaJava。为什么上面的匹配方式不是abaaabcccbabaaaaabc，因为存在所谓的最大匹配——贪婪匹配。



2.1-2 在字母表∑ ={a, b}上构造一种语言，串S的集合是由一个b及在其前后有相同数目的a 组成：S = { b, aba, aabaa, aaabaaa, . . . }

答案：搞不定。正则表达式并不能描述这个集合。重复运算只有闭包运算*一种，但a*ba*能保证b 前后的a 的数量是否相等。它通常表示为“不能计算的正则表达式”——在自动机理论中的数学论证是著名的Pumping lemma定理。



（待续……）

这个黑胡子是UNIX的爸爸，C语言的爷爷。

原文转自：http://www.ltesting.net