JAVA正则表达式（下）

三、应用实例
下面我们来看看Jakarta-ORO库的一些应用实例。
3.1 日志文件处理
任务：分析一个Web服务器日志文件，确定每一个用户花在网站上的时间。在典型的BEA WebLogic日志文件中，日志记录的格式如下：
http://www.ccw.com.cn/htm/app/aprog/01_7_31_4_i.jpg
分析这个日志记录，可以发现，要从这个日志文件提取的内容有两项：IP地址和页面访问时间。你可以用分组符号（圆括号）从日志记录提取出IP地址和时间标记。
首先我们来看看IP地址。IP地址有4个字节构成，每一个字节的值在0到255之间，各个字节通过一个句点分隔。因此，IP地址中的每一个字节有至少一个、最多三个数字。图八显示了为IP地址编写的正则表达式：
http://www.ccw.com.cn/htm/app/aprog/01_7_31_4h.gif
图八：匹配IP地址
IP地址中的句点字符必须进行转义处理（前面加上“\”），因为IP地址中的句点具有它本来的含义，而不是采用正则表达式语法中的特殊含义。句点在正则表达式中的特殊含义本文前面已经介绍。
日志记录的时间部分由一对方括号包围。你可以按照如下思路提取出方括号里面的所有内容：首先搜索起始方括号字符（“<”），提取出所有不超过结束方括号字符（“>”）的内容，向前寻找直至找到结束方括号字符。图九显示了这部分的正则表达式。
http://www.ccw.com.cn/htm/app/aprog/01_7_31_4i.gif
图九：匹配至少一个字符，直至找到“>”
现在，把上述两个正则表达式加上分组符号（圆括号）后合并成单个表达式，这样就可以从日志记录提取出IP地址和时间。注意，为了匹配“- -”（但不提取它），正则表达式中间加入了“\s-\s-\s”。完整的正则表达式如图十所示。
http://www.ccw.com.cn/htm/app/aprog/01_7_31_4j.gif
图十：匹配IP地址和时间标记
现在正则表达式已经编写完毕，接下来可以编写使用正则表达式库的Java代码了。
为使用Jakarta-ORO库，首先创建正则表达式字符串和待分析的日志记录字符串：
http://www.ccw.com.cn/htm/app/aprog/01_7_31_4_j.jpg
这里使用的正则表达式与图十的正则表达式差不多完全相同，但有一点例外：在Java中，你必须对每一个向前的斜杠（“\”）进行转义处理。图十不是Java的表示形式，所以我们要在每个“\”前面加上一个“\”以免出现编译错误。遗憾的是，转义处理过程很容易出现错误，所以应该小心谨慎。你可以首先输入未经转义处理的正则表达式，然后从左到右依次把每一个“\”替换成“\\”。如果要复检，你可以试着把它输出到屏幕上。
初始化字符串之后，实例化PatternCompiler对象，用PatternCompiler编译正则表达式创建一个Pattern对象：
http://www.ccw.com.cn/htm/app/aprog/01_7_31_4_k.jpg
现在，创建PatternMatcher对象，调用PatternMatcher接口的contain()方法检查匹配情况：
http://www.ccw.com.cn/htm/app/aprog/01_7_31_4_l.jpg
接下来，利用PatternMatcher接口返回的MatchResult对象，输出匹配的组。由于logEntry字符串包含匹配的内容，你可以看到类如下面的输出：
http://www.ccw.com.cn/htm/app/aprog/01_7_31_4_m.jpg
3.2 HTML处理实例一
下面一个任务是分析HTML页面内FONT标记的所有属性。HTML页面内典型的FONT标记如下所示：
http://www.ccw.com.cn/htm/app/aprog/01_7_31_4_n.jpg
程序将按照如下形式，输出每一个FONT标记的属性：
http://www.ccw.com.cn/htm/app/aprog/01_7_31_4_o.jpg
在这种情况下，我建议你使用两个正则表达式。第一个如图十一所示，它从字体标记提取出 “"face="Arial, Serif" size="+2" color="red"”。
http://www.ccw.com.cn/htm/app/aprog/01_7_31_4k.gif
图十一：匹配FONT标记的所有属性
第二个正则表达式如图十二所示，它把各个属性分割成名字- 值对。
http://www.ccw.com.cn/htm/app/aprog/01_7_31_4l.gif
图十二：匹配单个属性，并把它分割成名字-值对
分割结果为：
http://www.ccw.com.cn/htm/app/aprog/01_7_31_4_p.jpg
现在我们来看看完成这个任务的Java代码。首先创建两个正则表达式字符串，用Perl5Compiler 把它们编译成Pattern对象。编译正则表达式的时候，指定Perl5Compiler.CASE_INSENSITIVE_MASK选项，使得匹配操作不区分大小写。
接下来，创建一个执行匹配操作的Perl5Matcher对象。
http://www.ccw.com.cn/htm/app/aprog/01_7_31_4_q.jpg
假设有一个String类型的变量html，它代表了HTML文件中的一行内容。如果html字符串包含 FONT标记，匹配器将返回true。此时，你可以用匹配器对象返回的MatchResult对象获得第一个组，它包含了FONT的所有属性：
http://www.ccw.com.cn/htm/app/aprog/01_7_31_4_r.jpg
接下来创建一个PatternMatcherInput对象。这个对象允许你从最后一次匹配的位置开始继续进行匹配操作，因此，它很适合于提取FONT标记内属性的名字-值对。创建PatternMatcherInput对象，以参数形式传入待匹配的字符串。然后，用匹配器实例提取出每一个FONT的属性。这通过指定PatternMatcherInput对象（而不是字符串对象）为参数，反复地调用 PatternMatcher对象的contains()方法完成。PatternMatcherInput对象之中的每一次迭代将把它内部的指针向前移动，下一次检测将从前一次匹配位置的后面开始。
本例的输出结果如下：
http://www.ccw.com.cn/htm/app/aprog/01_7_31_4_s.jpg
3.3 HTML处理实例二
下面我们来看看另一个处理 HTML的例子。这一次，我们假定Web服务器从widgets.acme.com移到了newserver.acme.com。现在你要修改一些页面中的链接：
http://www.ccw.com.cn/htm/app/aprog/01_7_31_4_t.jpg
执行这个搜索的正则表达式如图十三所示：
http://www.ccw.com.cn/htm/app/aprog/01_7_31_4m.gif
图十三：匹配修改前的链接
如果能够匹配这个正则表达式，你可以用下面的内容替换图十三的链接：
http://www.ccw.com.cn/htm/app/aprog/01_7_31_4_u.jpg
注意#字符的后面加上了$1。Perl正则表达式语法用$1、$2等表示已经匹配且提取出来的组。图十三的表达式把所有作为一个组匹配和提取出来的内容附加到链接的后面。
现在，返回Java 。就象前面我们所做的那样，你必须创建测试字符串，创建把正则表达式编译到Pattern对象所必需的对象，以及创建一个 PatternMatcher对象：http://www.ccw.com.cn/htm/app/aprog/01_7_31_4_v.jpg
接下来，用com.oroinc.text.regex包Util类的substitute()静态方法进行替换，输出结果字符串：
http://www.ccw.com.cn/htm/app/aprog/01_7_31_4_w.jpg
Util.substitute()方法的语法如下：
http://www.ccw.com.cn/htm/app/aprog/01_7_31_4_x.jpg
这个调用的前两个参数是以前创建的PatternMatcher和Pattern对象。第三个参数是一个 Substiution对象，它决定了替换操作如何进行。本例使用的是Perl5Substitution对象，它能够进行Perl5风格的替换。第四个参数是想要进行替换操作的字符串，最后一个参数允许指定是否替换模式的所有匹配子串（Util.SUBSTITUTE_ALL），或只替换指定的次数。
【结束语】在这篇文章中，我为你介绍了正则表达式的强大功能。只要正确运用，正则表达式能够在字符串提取和文本修改中起到很大的作用。另外，我还介绍了如何在Java程序中通过Jakarta-ORO库利用正则表达式。至于最终采用老式的字符串处理方式（使用StringTokenizer，charAt，和substring），还是采用正则表达式，这就有待你自己决定了。