Java正则表达式详解(中)

1/5/2008来源:Java教程人气:6906


  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:  Java正则表达式详解(中)(图一)


  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: 
   Java正则表达式详解(中)(图二)
   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非凡含义。句点在正则表达式中的非凡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。 
   Java正则表达式详解(中)(图三)
   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。注重,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。 
   Java正则表达式详解(中)(图四)
  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: 
   Java正则表达式详解(中)(图五)
  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,转义处理过程很轻易出现错误,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“\\”。假如要复检,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
   Java正则表达式详解(中)(图六)
  现在,创建PatternMatcher对象,调用PatternMatcher接口的contain()方法检查匹配情况:
   Java正则表达式详解(中)(图七)
  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:
   Java正则表达式详解(中)(图八)
  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
   Java正则表达式详解(中)(图九)
  
  程序将按照如下形式,输出每一个FONT标记的属性:
   Java正则表达式详解(中)(图十)
  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"”。
   Java正则表达式详解(中)(图十)
  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。 
   Java正则表达式详解(中)(图十二)
  
   图十二:匹配单个属性,并把它分割成名字-值对
  
  分割结果为: 
   Java正则表达式详解(中)(图十三)
  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。 
   Java正则表达式详解(中)(图十四)
  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。假如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 Java正则表达式详解(中)(图十五)
  接下来创建一个PatternMatcherInput对象。这个对象答应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: 
  Java正则表达式详解(中)(图十六)