Начнём с простого. Предположим, вам нужно найти строку, содержащую слово "cat". Вашим типовым выражением может быть само слово "cat". Если ваш поиск не предполагает ограничений по регистру, то в радиус поиска попадут также слова типа " cat alog", " Cat herine" или "sophisti cat ed":

Regular expression: cat
Matches: cat, catalog, Catherine, sophisticated

Точечное представление

Regular expression: t.n
Matches: tan, Ten, tin, ton, t n, t#n, tpn, etc.

Представление с квадратными скобками

Regular expression: t[aeio]n<
Matches: tan, Ten, tin, ton

Оператор OR

Regular expression: t(a|e|i|o|oo)n
Matches: tan, Ten, tin, ton, toon

Квантификаторное представление

В Таблице 1 приведены квантификатoрные (количественные) представления, используемые для указания количества повторений стоящего слева от значка выражения:

Выражение	Количество повторений
*	0 или более раз
+	1 или более раз
?	0 или 1 раз
{n}	точно n раз
{n,m}	от n до m раз

Таблица 1.

Предположим, вам нужно найти в текстовом файле номер социального страхования. Формат номера социального страхования в США выглядит так: 999-99-9999. Типовое выражение, которым вы будете пользоваться, показано на Рисунке 1. В типовых выражениях дефисные представления ("-") имеют особое значение. Они определяют радиус соответствия чисел от 0 до 9. В результате вам нужно отказаться от комбинации символа дефиса со стоящи перед ним символом "\" если мы используем обычный дефис, разделяющий цифры в номере социального страхования.

Рисунок 1. Соответствия номеров социального страхования формата 123-12-1234.

Если во время поиска вам захочется определить наличие дефиса необязательным (скажем и 999-99-9999, и 999999999), вы можете использовать количественное (квантификаторное) представление с "?". Это выражение показано на Рисунке 2:

Рисунок 2. Соответствия номеров форматам 123-12-1234 и 123121234.

Теперь рассмотрим другой пример. Формат автомобильных регистрационных номеров в США содержит четыре цифры и две буквы. Сначала типовое выражение должно включать цифровую часть "[0-9]{4}", за которой будет следовать текстовая "[A-Z]{2}". На Рисунке 3 выражение показано целиком:

Рисунок 3. Соответствия регистрационных номеров формата 8836KV.

НЕТ-представления

Представления с "^" также называются нет-представления. Если данный символ используется в квадратных скобках, это будет означать символ, который не должен присутствовать в вашем шаблоне. Например, выражение на Рисунке 4 ищет все слова за исключением тех, что начинаются с буквы Х:

Рисунок 4. Соответствия всех слов кроме тех, что начинаются с “x”.

Представление с обычными скобками и пробелом

Допустим, теперь вам нужно вычленить месяц из даты рождения. Традиционно формат даты выглядит (в американском варианте – прим. переводчика): June 26, 1951. Типовое выражение для поиска соответствия будет выглядеть так, как на Рисунке 5:

Рисунок 5. Соответствие всех дат формата Месяц ЧЧ, ГГГГ.

Появившееся новое представление "\s" соответствует пробелу, т.е. пропуску между символами, включая табуляторы. Как же вычленить поле месяца из строки, которая подошла под наш шаблон? Просто нужно взять поле месяца в круглые скобки, создав группу, а затем получить её значение с помощью ORO API, который мы обсудим в следующем разделе. Само выражение показано на Рисунке 6:

Рисунок 6. Соответствие всех дат формата Месяц ЧЧ, ГГГГ, с выделенным полем месяца Группа 1.

Остальные представления

Чтобы облегчить рабочий процесс, был создан целый список кратких типовых представлений, перечень которых можно найти в Таблице 2:

Краткое выражение	Полное представление
\d	[0-9]
\D	[^0-9]
\w	[A-Z0-9]
\W	[^A-Z0-9]
\s	[ \t\n\r\f]
\S	[^ \t\n\r\f]

Таблица 2. Наиболее популярные выражения.

В качестве иллюстрации мы можем использовать "\d" для производных "[0-9]", рассмотренных нами ранее в примере с номером социального страхования. Новый укороченный вариант показан на Рисунке 7:

Рисунок 7. Соответствия номеров социального страхования формата 123-12-1234.

В настоящее время Java-программистам доступны многие открытые библиотеки типовых выражений, большинство из которых поддерживает Perl 5-совместимый синтаксис. Я пользуюсь библиотекой Jakarta-ORO, поскольку это один из наиболее удобных API, существующих сегодня, и полностью совместимый с типовыми выражениями Perl 5. Кроме того, это наиболее оптимизированный интерфейс.

Сама библиотека была ранее известна под именем OROMatcher, но в последствии безвозмездно передана проекту Jakarta Дэниелом Саварезом (Daniel Savarese). Пакет можно скачать с сайта, указанного в Ресурсах .

Я начну с краткого описания объектов, которые вам необходимо создать и иметь к ним доступ, чтобы пользоваться данной библиотекой, а затем я покажу, как пользоваться самой библиотекой.

Объект PatternCompiler

PatternCompiler compiler=new Perl5Compiler();

Объект Pattern

Pattern pattern=null;
         try {
                 pattern=compiler.compile("t[aeio]n");
        } catch (MalformedPatternException e) {
                 e.printStackTrace();
        }

pattern=compiler.compile("t[aeio]n",Perl5Compiler.CASE_INSENSITIVE_MASK);

Объект PatternMatcher

      PatternMatcher matcher=new
Perl5Matcher();

А теперь обсудим несколько примеров использования библиотеки Jakarta-ORO.

Обработка log-файла

Ваша задача: проанализировать Web-сервер и определить, сколько времени каждый пользователь проводит на Web-сайте. Регистрационная статья стандартного log-файла из BEA WebLogic выглядит так:

172.26.155.241 — — [26/Feb/2001:10:56:03 -0500] "GET /IsAlive.htm
HTTP/1.0" 200 15

Проанализировав эти данные, вы понимаете, что вам нужно вычленить из log-файла две вещи: IP-адрес и время доступа к странице. Чтобы выделить поле IP-адреса и поле регистрации времени в регистрационной статье, вы можете воспользоваться групповым представлением (круглыми скобками).

Рассмотрит сначала IP-адрес. Он содержит 4 байта, каждый из которых имеет значение в пределах от 0 до 255; каждый байт отделен от другого точкой. Таким образом, в каждом из байтов IP-адреса у вас имеется от одной до трёх цифр. Типовое выражение для такого поля будет выглядеть так, как показано на Рисунке 8:

Рисунок 8. IP-адрес из 4 байтов, значение каждого из которых находится между 0 и 255.

Вам необходимо избегать символа точки, поскольку она вам в буквальном смысле там нужна, но естественно не в том специальном значении синтаксиса типовых выражений, которое я объяснил ранее.

Отметка о времени заполнения log-файла берётся в квадратные скобки. Вы можете вычленить всё, что может находиться в этих скобках, сначала отыскав открывающую скобку ("[") и вычленяя то, что не входит в закрывающую скобку ("]"), до тех пор пока вы не упрётесь в закрывающую скобку. На Рисунке 9 приводится типовое выражение для этой операции:

Рисунок 9. До обнаружения "]" находится как минимум один символ.

Теперь вы можете скомбинировать эти два выражения в одно, содержащее групповое представление (круглые скобки) для вычленения IP-адреса и отметки о времени. Обращаю ваше внимание на то, что "\s-\s-\s" поставлено в середине для того, чтобы выполнялся поиск, даже если вам это не совсем нужно. Целиком типовое выражение показано на Рисунке 10:

Рисунок 10. Определение места нахождения IP-адреса и отметки о времени путём комбинирования двух выражений.

Теперь, после того как вы составили нужное вам выражение, вы можете приступать к написанию Java-кода, пользуясь библиотекой типовых выражений.

Чтобы начать работать с библиотекой Jakarta-ORO, вначале создайте строку типового выражения и выберете какую-либо строку для анализа:

      String logEntry="172.26.155.241 — — [26/Feb/2001:10:56:03
-0500] \"GET /IsAlive.htm HTTP/1.0\" 200 15 ";
        String
regexp="([0-9]{1,3}\\.[0-9]{1,3}\\.[0-9]{1,3}\\.[0-9]{1,3})\\s-\\s-\\s\\[([^\\]]+)\\]";

Используемое здесь типовое выражение практически идентично тому, что было приведено на Рисунке 10, с одной лишь разницей, что в Java нужно избегать использования символа "\". Поскольку Рисунок 10 не является кодом Java, нам нужно избавиться от этого символа, чтобы избежать ошибки при компиляции. К сожалению, данный процесс достаточно проблематичен, так что постарайтесь быть повнимательнее. Сначала наберите типовое выражение так, как оно есть, а затем каждый символ "\" в строке замените двойным "\\". Для проверки введите получившуюся строку в консоль.

После запуска строк, создайте экземпляр объекта PatternCompiler и с помощью PatternCompiler для компиляции типовых выражений создайте объект Pattern :

      PatternCompiler compiler=new
Perl5Compiler();
         Pattern pattern=compiler.compile(regexp);

Теперь создайте объект PatternMatcher и вызовите метод contain() из интерфейса PatternMatcher , чтобы увидеть, есть ли соответствие:

      PatternMatcher matcher=new
Perl5Matcher();
         if (matcher.contains(logEntry,pattern)) {
             MatchResult result=matcher.getMatch();
             System.out.println("IP: "+result.group(1));
             System.out.println("Timestamp:
"+result.group(2));
        }

Затем распечатайте найденные группы с помощью объекта MatchResult, возвращаемого из интерфейса PatternMatcher. Поскольку строка logEntry содержит шаблон для поиска соответствий, результат может выглядеть следующим образом:

        IP: 172.26.155.241
        Timestamp: 26/Feb/2001:10:56:03 -0500

Вашим следующим заданием будет пройти через все HTML-страницы вашей компании и проанализировать все атрибуты шрифтовых меток. Стандартная метка шрифта в HTML выглядит так: <font face="Arial, Serif" size="+2" color="red">

Ваша программа распечатает атрибуты каждой найденной метки в следующем формате:

        face=Arial, Serif
        size=+2
        color=red

В этом случае, я бы предложил вам воспользоваться двумя типовыми выражениями. Первое для вычленения из метки шрифта отрывка "face="Arial, Serif" size="+2" color="red" показано на Рисунке 11:

Второе типовое выражение, показанное на Рисунке 12, разбивает каждый атрибут на пару «имя-значение»:

Рисунок 12 выдаёт следующий результат:

        font Arial, Serif
        size +2
        color red

А теперь, обсудим код, необходимый для всего этого. Во-первых, создайте две строки с типовыми выражениями и с помощью Perl5Compiler скомпилируйте их в объект Pattern . Для поиска соответствий не зависимо то регистра используйте опцию Perl5Compiler.CASE_INSENSITIVE_MASK .

Затем создайте объект Perl5Matcher для выполнения поиска соответствий:

        String
regexpForFontTag="<\\s*font\\s+([^>]*)\\s*>";
         String
regexpForFontAttrib="([a-z]+)\\s*=\\s*\"([^\"]+)\"";

         PatternCompiler compiler=new Perl5Compiler();
         Pattern
patternForFontTag=compiler.compile(regexpForFontTag,Perl5Compiler.CASE_INSENSITIVE_MASK);

         Pattern
patternForFontAttrib=compiler.compile(regexpForFontAttrib,Perl5Compiler.CASE_INSENSITIVE_MASK);


         PatternMatcher matcher=new Perl5Matcher();

Допустим, у вас есть переменная с именем html типа String , представляющая строку в HTML-файле. Если эта строка html содержит метку шрифта, результат поиска соответствия вернётся true , а вам для получения первой группы, содержащей все атрибуты шрифта, придётся воспользоваться объектом MatchResult , возвращаемым из шаблонного объекта:

        if
(matcher.contains(html,patternForFontTag)) {
             MatchResult result=matcher.getMatch();
             String attribs=result.group(1);



         PatternMatcherInput input=new
PatternMatcherInput(attribs);
             while (matcher.contains(input,patternForFontAttrib)) {
                 result=matcher.getMatch();
                 System.out.println(result.group(1)+":
"+result.group(2));
            }
        }

Затем создадим объект PatternMatcherInput. Как говорилось ранее, этот объект позволяет осуществлять поиск соответствий с того места, где мы обнаружили последнее соответствие в строке. Поэтому он отлично подходит для вычленения пар «имя-значение» меток шрифта. Создаём объект PatternMatcherInput, содержащий шаблонную строку. Затем с помощью экземпляра шаблона, как описано выше, вычленяем каждый из атрибутов шрифта. Эта операция выполняется путем повторяющегося вызова метода contains() из объекта PatternMatcher и объекта PatternMatcherInput, используемого вместо строки. Каждая последующая итерация объекта PatternMatcherInput будет продвигать указатель вперёд, таким образом, чтобы следующий тест начинался с того места, где завершился предыдущий.

Результат работы нашего примера будет выглядеть так:

        face: Arial, Serif
        size: +1
        color: red

Продолжим разбор нашего примера с HTML. На это раз, представим себе, что наш Web-сервер переехал с адреса widgets.acme.com на newserver.acme.com . Нужно заменить ссылки в некоторых из Web-страниц:

<link href="httр://widgets.acme.com/interface.html#How_To_Buy">

<link href="httр://widgets.acme.com/interface.html#How_To_Sell">

etc.

на

<a
href="httр://newserver.acme.com/interface.html#How_To_Buy">
<link href="httр://newserver.acme.com/interface.html#How_To_Sell">

etc.

Типовое выражение для выполнения такого поиска показано на Рисунке 13:

С помощью приведенного ниже выражения вы можете заменить ссылку в Примере 13:

<link href="httр://newserver.acme.com/interface.html#$1">

Обратите внимание на $1 после символа # . Синтаксис типовых выражений Perl использует такие комбинации типа $1 , $2 и т.п. для представления групп, которые были обнаружены и вычленены. Выражение на Рисунке 13 может присоединять к ссылке в качестве Группы 1 любой текст.

Теперь вернёмся к Java. Вам снова нужно создать тестовые строки, объект для компиляции типового выражения в объекте Pattern , объект PatternMatcher :

    String link="<a
href=\"httр://widgets.acme.com/interface.html#How_To_Trade\">";

     String regexpForLink=
"<\\s*a\\s+href\\s*=\\s*\"http://widgets.acme.com/interface.html#([^\"]+)\">";


     PatternCompiler compiler=new Perl5Compiler();
     Pattern
patternForLink=compiler.compile(regexpForLink,Perl5Compiler.CASE_INSENSITIVE_MASK);


       PatternMatcher matcher=new Perl5Matcher();

Теперь воспользуемся статичным методом substitute() из класса Util из пакета com.oroinc.text.regex для выполнения замещения и распечатаем получившуюся строку:

        String result=Util.substitute(matcher,
                                      patternForLink,
                                      new Perl5Substitution(
                                        "<a
href=\"httр://newserver.acme.com/interface.html#$1\">"),
                                      link,
                                      Util.SUBSTITUTE_ALL);
        System.out.println(result);

Синтаксис метода Util.substitute() будет выглядеть так:

    public static String substitute(PatternMatcher matcher,
                                    Pattern pattern,
                                    Substitution sub,
                                    String input,
                                    int numSubs)

Первыми двумя параметрами для вызова будут объекты PatternMatcher и Pattern , созданные ранее. Исходным данным для третьего параметра является объект Substitution , определяющий порядок замещения. В данном случае используется объект Perl5Substitution , позволяющий применить замещение характерное для Perl 5. Четвёртый параметр – это сама строка, на которой вы собираетесь провести операцию замещения. И последний параметр позволяет вам определить, будете ли вы выполнять замещение всех обнаруженных соответствий или только определённого числа.

В этой статье я показал, как можно использовать способности типовых выражений (regular expressions). При грамотном применении они значительно облегчают работу по поиску строк при редактировании текстов. Я также показал способ внедрения типовых выражений в ваши Java-приложения с помощью открытой библиотеки Jakarta-ORO. Теперь это ваше дело, пользоваться ли старым подходом ( StringTokenizers , charAt , или substring ) для манипулирования строками или типовыми выражениями вроде библиотеки Jakarta-ORO.

Benedict Chng родом из Сингапура, является сертифицированным Sun разработчиком и в настоящее время занимается консалтингом в Бостоне. Его основные интересы заключаются в разработке приложений для Palm-приборов и посещений достопримечательностей Новой Англии.

• Исходный код для данной статьи
• Официальный сайт Jarkata-ORO Project
• Официальный сайт Perl
• Тематическое оглавление JavaWorld