2.3  在一個(gè)String中查找子串模式

本章前面的“使用正則表達(dá)式來搜索文本”一節(jié)說明了如何使用regex模式來比較一個(gè)String是否匹配(或部分匹配)一個(gè)給定的模式。這里，匹配是從輸入字符串的第一個(gè)字符開始的。在本節(jié)中，將使用regex模式在一個(gè)String中查找多個(gè)匹配值。舉例來說，可以在一篇文檔中搜索查找嵌入在正文中的任何URL。首先，需要?jiǎng)?chuàng)建一個(gè)匹配URL的模式字符串。下面給出一個(gè)能匹配大多數(shù)URL的模式：

String urlString = "(http|https|ftp)://[/\\w\\.\\-\\+\\?%=&;:,#]+";

此模式并不能有效地描述URL，因?yàn)樗财ヅ湟恍┌e(cuò)誤語法的URL字符串，如http://////////。在一些情況下它也會(huì)捕獲額外的字符，如可能緊跟在嵌入到正文中的URL之后的逗號(hào)或分號(hào)。這些字符有時(shí)會(huì)出現(xiàn)在URL中，但是如果URL出現(xiàn)在正文中，這些字符可能不希望URL的一部分而被捕獲。但該模式相對(duì)簡短并且能夠很好地用于搜索文本文件中包含的URL。此模式表達(dá)式的各部分如下所示：

●  http、https或ftp ●  :// ● / 0-9 A-Z a-z _ . - + ? % = & ; : , #中的一個(gè)或多個(gè)字符

我們知道，Matcher可以將一個(gè)模式應(yīng)用到一個(gè)特殊的輸入字符串。為了使用前面定義的urlString模式查找多個(gè)子串匹配，必須調(diào)用Matcher的find方法。為了在輸入字符串內(nèi)找到每一個(gè)出現(xiàn)的模式，可以重復(fù)調(diào)用find方法來查找下一個(gè)匹配。當(dāng)沒有更多的匹配時(shí)，find方法返回false。為了獲取當(dāng)前匹配的位置，可以使用start和end方法來獲得索引值以在輸入文本中的范圍內(nèi)進(jìn)行匹配。以下的代碼將顯示數(shù)據(jù)內(nèi)找到的所有URL：

String urlString = "(http|https|ftp)://[/\\w\\.\\-\\+\\?%=&;:,#]+"; Pattern urlPattern = Pattern.compile(urlString); // get the data (somehow) String data = getStringData(); // get a matcher for the data Matcher urlMatcher = urlPattern.matcher(data); // iterate through the matches while (urlMatcher.find()) { int startIndex = urlMatcher.start();   // index of start int endIndex = urlMatcher.end();        // index of end + 1 // retrieve the matching substring String currentMatch = data.substring(startIndex, endIndex); System.out.println(currentMatch); }

此代碼將不能匹配相對(duì)的URL(如/images/picture.jpg)，這些URL常常出現(xiàn)在HTML文件或省略前置http://的不完整的URL(如wickedcooljava.com)中。為了知道何時(shí)應(yīng)該將某字符串作為相對(duì)URL來對(duì)待，程序必須理解HTML文件的結(jié)構(gòu)(使用regex也可完成此任務(wù)，但是要更困難些)。需要知道每個(gè)匹配的上下文，為此必須在理解其語法的基礎(chǔ)上分析文件。若想了解更多的信息，請(qǐng)參考第3章。