Java 正則表達式實戰（一）：Jakarta-ORO 庫完整指南

正則表達式：字符數據處理的利器

正則表達式由普通字符與元字符組成文字模式，描述待匹配字符串。在字符數據處理中極重要——判斷數字、驗證 Email、海量文本提取數據，不用正則代碼又長又易錯。作者深有體會：整理工具書電子檔，懂正則輕鬆事半功倍，不懂則痛苦不堪。

Java 正則支持歷程

• JDK 1.3 及之前：無內建庫，依賴第三方（開源或付費）
• JDK 1.4 測試版：內建 java.util.regex
• 現狀：多種選擇，本文介紹兩代表性庫——Jakarta-ORO（作者長期使用）與 java.util.regex

Jakarta-ORO 簡介

最全面優化的正則 API 之一，前身 OROMatcher，Daniel F. Savarese 編寫後贈與 Jakarta Project。完全兼容 Perl 5 正則語法。可在 Apache.org 下載。

核心對象體系

1. PatternCompiler：編譯入口

PatternCompiler compiler = new Perl5Compiler();

Perl5Compiler 實現 PatternCompiler 接口，將正則編譯為 Pattern 對象。

2. Pattern：編譯後模式

Pattern pattern = null;
try {
    pattern = compiler.compile("s[ahkl]y");
} catch (MalformedPatternException e) {
    e.printStackTrace();
}

默認大小寫敏感。大小寫不敏感需指定標誌：

pattern = compiler.compile("s[ahkl]y", Perl5Compiler.CASE_INSENSITIVE_MASK);

3. PatternMatcher：匹配執行器

PatternMatcher matcher = new Perl5Matcher();

三大核心匹配方法（參數為輸入字符串）：

• matches(input, pattern)：精確匹配整個字符串
• matchesPrefix(input, pattern)：匹配起始部分
• contains(input, pattern)：匹配任意子串（僅首個）

若需查找多個匹配，用 PatternMatcherInput 替代 String，可從上次匹配位置繼續：

boolean matches(PatternMatcherInput input, Pattern pattern)
// 同理 matchesPrefix, contains

4. Util.substitute()：替換操作

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

關鍵第三參數 Substitution 決定替換方式，兩標準實現：

• StringSubstitution：純文本替換，構造方法 StringSubstitution() / StringSubstitution(String)
• Perl5Substitution：繼承 StringSubstitution，支持 Perl5 變量插值（$1, $2... 對應正則分組）

Perl5Substitution 變量插值深度解析

示例：正則 b(\d+):，替換字符串 "a$1-"，輸入 "EXAMPLE b123:" → 輸出 "EXAMPLE a123-"。$1 代表第一分組 (\d+) 匹配內容 "123"。

numInterpolations 參數控制變量更新頻率：

• INTERPOLATE_ALL：每次匹配更新變量
• 正整數 N：前 N 次匹配更新，之後固定用第 N 次值

示例：目標 "Tank b123: 85 Tank b256: 32 Tank b78: 22"，替換 "a$1-"：

• INTERPOLATE_ALL → "Tank a123- 85 Tank a256- 32 Tank a78- 22"
• numInterpolations=2 → "Tank a123- 85 Tank a256- 32 Tank a256- 22"（第三次仍用 256）
• numInterpolations=1 → "Tank a123- 85 Tank a123- 32 Tank a123- 22"

實戰案例：電子檔資料整理（伊索寓言英語教材）

數據結構：MS SQL Server 表 AESOP，三列 ID(int)、WORD(varchar)、CONTENT(varchar)。CONTENT 格式：

[音標] [詞性] （釋義）{(例句1/中文/詞性:詞義) (例句2/...)}

例：['kevin] [名詞]（人名凱文）{(Kevin loves comic./凱文愛漫畫/名詞:凱文)(Kevin is living in ZhuHai now./凱文現住在珠海/名詞:凱文)}

案例 1：查找單個匹配——提取音標

正則：\[[^]]+\]（中括號包含非 ] 字符）。Java 轉義："\\[[^]]+\\]"。用 contains() 或更合理的 matchesPrefix()（音標在起始位置）。完整 JDBC + Jakarta-ORO 代碼演示，輸出 kevin的音標為['kevin]。若正則用分組 (\[[^]]+\])，可用 group(0) 獲取。

驗證中文匹配問題：舊版 2.0.1 不支持中文，升級 2.0.4 解決。

案例 2：查找多個匹配——提取所有方括號內容

正則：\[[^]]+\]，用 PatternMatcherInput 循環 contains()，依次輸出 ['kevin] 和 [名詞]。

案例 3：復雜嵌套提取——解析例句結構

三層正則：

1. \{.+\}：整個例句部分（大括號）
2. \([^)]+\)：單個例句（小括號）
3. ([^(]+)/(.+)/(.+):([^)]+)：例句四字段（英文/中文/詞性/詞義）

代碼演示：先提大括號內容，再循環提小括號，最後分組提取四字段。輸出兩例句完整結構化數據。

案例 4：查找替換——修改第二個例句

目標：將第二例句替換為新內容。正則：\{(\[^)]+\))(\[^)]+\)\} 即 \{$1$2\}，構造 Perl5Substitution("{$1(新例句)}")，Util.substitute() 完成替換，輸出正確結果。

總結與延伸

本文介紹 Jakarta-ORO 對象方法與四大實戰案例。雖簡單但望讀者建立認知，實際工作受啟發。Jakarta 另有一純 Java 库 Regexp（Jonathan Locke 贈與），含完整文檔與調試 Applet，有興趣可下載研究。