Java正则表达式API系列三

Boundary Matchers

Java regex API还支持边界匹配。如果我们关心在输入文本中匹配的确切位置，那么这就是我们要寻找的。在前面的示例中，我们关心的只是是否找到匹配项。

为了仅在文本开头所需的正则表达式为true时匹配，我们使用插入符号^。

此测试将失败，因为可以在开头找到文本dog：

@Test
public void givenText_whenMatchesAtBeginning_thenCorrect() {
    int matches = runTest("^dog", "dogs are friendly");
 
    assertTrue(matches > 0);
}

下面的测试将失败：

@Test
public void givenTextAndWrongInput_whenMatchFailsAtBeginning_
  thenCorrect() {
    int matches = runTest("^dog", "are dogs are friendly?");
 
    assertFalse(matches > 0);
}

为了仅在文本末尾所需的正则表达式为true时匹配，我们使用美元字符$。在以下情况下会找到匹配项：

@Test
public void givenText_whenMatchesAtEnd_thenCorrect() {
    int matches = runTest("dog$", "Man's best friend is a dog");
 
    assertTrue(matches > 0);
}

并且没有找到匹配：

@Test
public void givenTextAndWrongInput_whenMatchFailsAtEnd_thenCorrect() {
    int matches = runTest("dog$", "is a dog man's best friend?");
 
    assertFalse(matches > 0);
}

如果仅在单词边界处找到所需文本时才需要匹配，则在正则表达式的开头和结尾使用\\b正则表达式：

空格是单词边界：

@Test
public void givenText_whenMatchesAtWordBoundary_thenCorrect() {
    int matches = runTest("\\bdog\\b", "a dog is friendly");
 
    assertTrue(matches > 0);
}

行首的空字符串也是单词边界：

@Test
public void givenText_whenMatchesAtWordBoundary_thenCorrect2() {
    int matches = runTest("\\bdog\\b", "dog is man's best friend");
 
    assertTrue(matches > 0);
}

这些测试之所以通过，是因为字符串的开头以及文本之间的空格标记了单词边界，但是以下测试显示了相反的结果：

@Test
public void givenWrongText_whenMatchFailsAtWordBoundary_thenCorrect() {
    int matches = runTest("\\bdog\\b", "snoop dogg is a rapper");
 
    assertFalse(matches > 0);
}

一行中出现的两个单词字符不会标记单词边界，但我们可以通过更改正则表达式的结尾来查找非单词边界：

@Test
public void givenText_whenMatchesAtWordAndNonBoundary_thenCorrect() {
    int matches = runTest("\\bdog\\B", "snoop dogg is a rapper");
    assertTrue(matches > 0);
}

Pattern Class Methods

之前，我们只以基本方式创建了模式对象。然而，这个类有另一个compile方法的变体，它接受一组标志以及影响模式匹配方式的regex参数。

这些标志只是抽象的整数值。让我们重载test类中的runTest方法，以便它可以将标志作为第三个参数：

public static int runTest(String regex, String text, int flags) {
    pattern = Pattern.compile(regex, flags);
    matcher = pattern.matcher(text);
    int matches = 0;
    while (matcher.find()){
        matches++;
    }
    return matches;
}

在本节中，我们将了解不同的支持标志以及它们的使用方式。

Pattern.CANON_EQ

此标志启用canonical equivalence，当且仅当两个字符的完整规范分解匹配时，才会认为这两个字符匹配。

考虑带重音的Unicode字符é。它的复合代码点是u00E9。但是，Unicode的组成字符e、u0065和u0301也有单独的代码点。在这种情况下，合成字符u00E9与双字符序列u0065 u0301无法区分。

默认情况下，匹配不考虑规范等效：

@Test
public void givenRegexWithoutCanonEq_whenMatchFailsOnEquivalentUnicode_thenCorrect() {
    int matches = runTest("\u00E9", "\u0065\u0301");
 
    assertFalse(matches > 0);
}

但如果添加标志，则测试将通过：

@Test
public void givenRegexWithCanonEq_whenMatchesOnEquivalentUnicode_thenCorrect() {
    int matches = runTest("\u00E9", "\u0065\u0301", Pattern.CANON_EQ);
 
    assertTrue(matches > 0);
}

Pattern.CASE_INSENSITIVE

无论大小写，此标志都支持匹配。默认情况下，匹配会考虑大小写：

@Test
public void givenRegexWithDefaultMatcher_whenMatchFailsOnDifferentCases_thenCorrect() {
    int matches = runTest("dog", "This is a Dog");
 
    assertFalse(matches > 0);
}

因此，使用此标志，我们可以更改默认行为：

@Test
public void givenRegexWithCaseInsensitiveMatcher
  _whenMatchesOnDifferentCases_thenCorrect() {
    int matches = runTest(
      "dog", "This is a Dog", Pattern.CASE_INSENSITIVE);
 
    assertTrue(matches > 0);
}

我们还可以使用等效的嵌入标志表达式来实现相同的结果：

@Test
public void givenRegexWithEmbeddedCaseInsensitiveMatcher
  _whenMatchesOnDifferentCases_thenCorrect() {
    int matches = runTest("(?i)dog", "This is a Dog");
 
    assertTrue(matches > 0);
}

Pattern.COMMENTS

Java API允许在正则表达式中包含使用#的注释。这有助于记录复杂的正则表达式，而其他程序员可能无法立即看到这些正则表达式。

comments标志使matcher忽略正则表达式中的任何空白或注释，只考虑模式。在默认匹配模式下，以下测试将失败：

@Test
public void givenRegexWithComments_whenMatchFailsWithoutFlag_thenCorrect() {
    int matches = runTest(
      "dog$  #check for word dog at end of text", "This is a dog");
 
    assertFalse(matches > 0);
}

这是因为匹配器将在输入文本中查找整个正则表达式，包括空格和#字符。但当我们使用该标志时，它将忽略额外的空格，并且以#开头的每个文本都将被视为每行要忽略的注释：

@Test
public void givenRegexWithComments_whenMatchesWithFlag_thenCorrect() {
    int matches = runTest(
      "dog$  #check end of text","This is a dog", Pattern.COMMENTS);
 
    assertTrue(matches > 0);
}

还有一个替代的嵌入式标志表达式：

@Test
public void givenRegexWithComments_whenMatchesWithEmbeddedFlag_thenCorrect() {
    int matches = runTest(
      "(?x)dog$  #check end of text", "This is a dog");
 
    assertTrue(matches > 0);
}