String data = getStringData();

            Pattern repPattern = Pattern.compile("(\\s)(repetition)([\\s;\\.,])");

            Matcher repMatcher = repPattern.matcher(data);

            String newData = repMatcher.replaceAll("$1duplication$3");  

为了查找单词，需要捕获它前后的空白(或标点符号)。需要注意的是，如果此单词出现在data字符串的开头，那么上述的代码不会匹配它，因为已假定它的前后存在空白符。除了单词repetition被替换外，我们希望文本中的其他内容与原始文本保持一致，包括单词周围的空白字符。这里的美元符号($)显然不表示货币。它表示对从regex模式中捕获的组1和组3的逆向引用，包含最初匹配的空白或标点符号。这样，与它们对应的值将插入到替换文本中。

String类(在JDK 1.4或更高的版本中)有一个replaceAll方法，其工作机制类似于Matcher中的replaceAll方法。这使得它可以很方便地替换一个与模式匹配的子串：

String data = getStringData();

            String result =

            data.replaceAll("(\\s)(repetition)([\\s;\\.,])", "$1duplication$3");    

replaceAll方法返回一个新的字符串，其中所有匹配的部分已被新值替换。但是，使用Matcher仍有很多优点，因为相对于字符串它有更大的灵活性。

可以使用Matcher的find循环用新值依次替换每个匹配的部分。这样使你能够更好地控制替换过程。比如，可以在每次匹配的过程中应用其他逻辑，甚至每次可以替换不同的值。这就用到了StringBuffer，StringBuffer用于保存更新的文本，并且一旦调用appendReplacement方法，Matcher就追加更新后的文本到缓存中。在处理每个匹配并执行替换后，需要使用appendTail方法将最后一次匹配后的剩余字符串放置在输出缓存中。图2-1说明了子串匹配和这两种方法之间的关系。

图2-1  Matcher类的append方法

StringBuffer result = new StringBuffer();

            String[] wordChoices = new String[]

            {"repetition", "duplication", "copying",

            "reiteration", "recurrence", "redundancy"};

            Random rand = new Random();

            String data = getStringData();

            Pattern repPattern = Pattern.compile("(\\s)(repetition)([\\s;\\.,])");

            Matcher repMatcher = repPattern.matcher(data);

            while (repMatcher.find()) {

            // pick a word at random

            int wordIndex = rand.nextInt(wordChoices.length);

            String replacement = "$1" + wordChoices[wordIndex] + "$3";

            repMatcher.appendReplacement(result, replacement);

            }

            repMatcher.appendTail(result);

            System.out.println(result);   

// assume urlMatcher instance as in the previous example while (urlMatcher.find()) { int startIndex = urlMatcher.start(); int endIndex = urlMatcher.end(); String currentMatch = data.substring(startIndex, endIndex); // the brute force approach, using a new pattern! Pattern restricted = Pattern.compile(".*(abc|cbs|nbc)\\.com.*"); Matcher restrictMatcher = restricted.matcher(currentMatch); if (!restrictMatcher.matches()) { System.out.println(currentMatch); } }

在捕获的URL中匹配域名并不是一个非常高效的方法。由于已经使用find方法完成了提取URL的困难工作，不应该仅仅为了获得结果的一部分而编写另一个regex，并且也不必这样做。正则表达式允许将模式分解成子序列。使用圆括号，将以后要用到的模式部分括起来，这样，我们就可以忽略其余部分单独读取这些部分的值。重写URL模式以使域名可以与URL的其他部分相分离：

String urlPattern = "(http|https|ftp)://([a-zA-Z0-9-\\.]+)[/\\w\\.\\-\\+\\?%=&;:,#]*";

当在模式中存在用括号括起来的组时，可以分别检索每个组的匹配值。从最左边的组开始编为1，然后依次对每对括号相对应的组进行编号。在上面的模式中，第一组是协议(如http)，第二组是域名。为了在匹配的字符串中访问组，可以使用Matcher的group方法。下面的代码示例从每个URL中检索域名并显示它们的值：

String data = getStringData(); // load the document String urlString = "(http|https|ftp)://([a-zA-Z0-9-\\.]+)[/\\w\\.\\-\\+\\?%=&;:,#]*"; Pattern urlPattern = Pattern.compile(urlString); Matcher urlMatcher = urlPattern.matcher(data); // print out the domain from each URL while (urlMatcher.find()) { String domain = urlMatcher.group(2); // 2nd group is the domain System.out.println(domain); }

保存每个匹配的组以便可以随后引用它们。在一个模式内引用一个以前的匹配组称为逆向引用(backreference)。为了对第三个组进行逆向引用，在模式中包括\3即可。这将会只匹配一个与以前的组相匹配的严格重复的数据。为了说明此问题，考虑一个在文本文件中常见的错误—— 一个句子中意外地重复出现某个常用的单词，如“the”或“of”。

" The the water molecules are made of of hydrogen and oxygen."

下面编写一个模式来找出文件中存在的这些问题。该模式将捕获第一个单词，后跟一些空白符，而其后又跟着匹配第一个单词的重复模式：

String wordPattern = "\\s(of|or|the|to)\\s+\\1[\\s\\.,;]";

该模式匹配情况如下：一个空白字符、特殊的单词列表中的一个单词、更多的空白、再次重复的相同的单词(使用\1逆向引用)以及空白符或标点符号。这种匹配应不区分大小写，以便能够捕获到“The the”以及类似的变型。如以下的代码段所示，该模式不区分大小写，能在一个字符串中查找重复出现的模式：

String data = getStringData(); String patternStr = "\\s(of|or|the|to)\\s+\\1[\\s\\.,;]"; Pattern wordPattern = Pattern.compile(patternStr, Pattern.CASE_INSENSITIVE); Matcher wordMatcher = wordPattern.matcher(data); while (wordMatcher.find()) { int start = wordMatcher.start(); String word = wordMatcher.group(1); // print the index location of the repeated word System.out.println("Repeated " + word + " starting at " + start); }

有一种简便和强大的匹配文件中文本的方法，该方法允许使用多个正则表达式来处理文件，本章后面的“使用Scanner类进行语法分析”一节将会讲解此方法。若想了解使用内置索引进行更为复杂的文本搜索的解决方法，请参考第3章中“使用Lucene进行搜索”一节的内容。

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

此模式并不能有效地描述URL，因为它也匹配一些包含错误语法的URL字符串，如http://////////。在一些情况下它也会捕获额外的字符，如可能紧跟在嵌入到正文中的URL之后的逗号或分号。这些字符有时会出现在URL中，但是如果URL出现在正文中，这些字符可能不希望URL的一部分而被捕获。但该模式相对简短并且能够很好地用于搜索文本文件中包含的URL。此模式表达式的各部分如下所示：

●  http、https或ftp ●  :// ● / 0-9 A-Z a-z _ . - + ? % = & ; : , #中的一个或多个字符

我们知道，Matcher可以将一个模式应用到一个特殊的输入字符串。为了使用前面定义的urlString模式查找多个子串匹配，必须调用Matcher的find方法。为了在输入字符串内找到每一个出现的模式，可以重复调用find方法来查找下一个匹配。当没有更多的匹配时，find方法返回false。为了获取当前匹配的位置，可以使用start和end方法来获得索引值以在输入文本中的范围内进行匹配。以下的代码将显示数据内找到的所有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); }

此代码将不能匹配相对的URL(如/images/picture.jpg)，这些URL常常出现在HTML文件或省略前置http://的不完整的URL(如wickedcooljava.com)中。为了知道何时应该将某字符串作为相对URL来对待，程序必须理解HTML文件的结构(使用regex也可完成此任务，但是要更困难些)。需要知道每个匹配的上下文，为此必须在理解其语法的基础上分析文件。若想了解更多的信息，请参考第3章。

String data = "Australia,Fiji,New Zealand,Papua New Guinea";

            Pattern comma = Pattern.compile(",");

            String[] countries = comma.split(data);

分割字符串更简单的实现方法是：使用String类中的split方法。使用此方法重写以上代码。这一次将更改分隔符以包括逗号前后的所有空白，以使它不成为子串值的一部分：

String data = "Australia, Fiji, New Zealand , Papua New Guinea"; String[] countries = data.split("\\s*,\\s*");

正如前面介绍过的Pattern对象那样，在这里同样可以采用相同的正则表达式语法。因此使用split方法的场合远不止逗号和空格。