藍爪哇教室~Regular Expression 在網頁資料擷取上的應用(上)

在regex套件下，有Pattern類別與Matcher類別，可根據Regular Expression規則，提供字元字串比對處理的方法；Pattern類別主要用以將字串或字元集等字元序列正則表示化，亦即將字串形式的字元序列特徵化規則化，作為比對的一個樣版；Matcher類別則作為將經正則表示化的字元序列(樣版或模版，template)進行序列比對。

使用java.util.regex套件做資料的比對、搜尋、擷取或取代等處理，大致可分為以下步驟[4][5]：
1. 產生Pattern
將Regular Expression表示式以方法compile()編譯成一個Pattern的實體(instance)。
2. 產生一個對應於Pattern的Matcher
利用步驟一Pattern物件的方法matcher()去產生一個Matcher物件。
3. 利用Matcher去搜尋或處理資料
利用Matcher的方法去做資料的處理，例如：方法find()。

public class RegExprTest {

public static void main(String[] args) throws Exception {

String text = new String("One cat, two cats, how fun.");

//產生Pattern

Pattern p = Pattern.compile("cat");

//產生一個對應於Pattern的Matcher

Matcher m = p.matcher(text);

//利用Matcher去搜尋或處理資料

boolean result = m.find();

while(result) {

System.out.println(m.group());

result = m.find();

}

}

在步驟一產生Pattern同時，可以在編譯的方法compile()指定一個flag，決定Regular Expression表示式是否為CASE_INSENSITIVE、UNICODE_CASE，因為java.util.regex對字串的預設處理為CASE_SENSITIVE跟ASCII。
例如：
Pattern p = Pattern.compile("cat", Pattern.CASE_SENSITIVE | UNICODE_CASE);
式子中的 | 是OR的意思，可以讓Regular Expression的使用藉著flag設定更為靈活。

步驟二是以方法matcher(charsequence)去產生一個Matcher物件，方法的資料來源是charsequence，因為charsequence是一個readable sequence of characters的介面，所以，對於實做此介面的String、StringBuffer跟CharBuffer類別等的資料型態的資料亦可被接受。

到了步驟三，資料的搜尋跟處理方法，java.util.regex有提供以下幾類[6]：
1. Exact Match：boolean matches()、boolean matches(String regex, CharSequence input)。
2. Partial Match：boolean lookingAt()、boolean find()。
3. Capturing groups：int end()、int end(int group)、String group()、String group(int group)、int groupCount()、int start()、int start(int group)。
4. String Replacement：String replaceAll(String replacementStr)、String replaceFirst(String replacementStr)。
5. String Tokenizing：String [] split(CharSequence inputStr)。