JAVA与正则表达式(2年级之1)

类别:Java 点击:0 评论:0 推荐:
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、abcca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。

本文地址:http://com.8s8s.com/it/it11533.htm