使用正则表达式匹配多行文本

Question

我正在尝试使用 java 匹配多行文本。当我将Pattern 类与Pattern.MULTILINE 修饰符一起使用时，我可以匹配，但我无法使用(?m). 匹配

使用(?m) 和使用String.matches 的相同模式似乎不起作用。

我确定我错过了一些东西，但不知道是什么。不擅长正则表达式。

这是我尝试过的

String test = "User Comments: This is \t a\ta \n test \n\n message \n";

String pattern1 = "User Comments: (\\W)*(\\S)*";
Pattern p = Pattern.compile(pattern1, Pattern.MULTILINE);
System.out.println(p.matcher(test).find());  //true

String pattern2 = "(?m)User Comments: (\\W)*(\\S)*";
System.out.println(test.matches(pattern2));  //false - why?

Answer 1

str.matches(regex) behaves like Pattern.matches(regex, str) 尝试将整个输入序列与模式匹配并返回

true 当且仅当整个输入序列匹配此匹配器的模式

而matcher.find() attempts to find 输入序列的下一个匹配模式并返回的子序列

true 当且仅当输入序列的一个子序列与此匹配器的模式匹配

因此问题出在正则表达式上。请尝试以下操作。

String test = "User Comments: This is \t a\ta \ntest\n\n message \n";

String pattern1 = "User Comments: [\\s\\S]*^test$[\\s\\S]*";
Pattern p = Pattern.compile(pattern1, Pattern.MULTILINE);
System.out.println(p.matcher(test).find());  //true

String pattern2 = "(?m)User Comments: [\\s\\S]*^test$[\\s\\S]*";
System.out.println(test.matches(pattern2));  //true

因此，简而言之，您的第一个正则表达式中的 (\\W)*(\\S)* 部分匹配一个空字符串，因为 * 表示出现零次或多次，真正匹配的字符串是 User Comments:，而不是您期望的整个字符串。第二个失败，因为它试图匹配整个字符串，但它不能因为\\W 匹配非单词字符，即[^a-zA-Z0-9_]，第一个字符是T，一个单词字符。

Answer 2

首先，您在错误假设下使用了修饰符。

Pattern.MULTILINE 或 (?m) 告诉 Java 接受锚点 ^ 和 $ 以匹配每行的开头和结尾（否则它们只匹配整个字符串的开头/结尾）。

Pattern.DOTALL 或 (?s) 告诉 Java 也允许点匹配换行符。

其次，在您的情况下，正则表达式失败，因为您使用的是 matches() 方法，该方法期望正则表达式匹配 整个 字符串 - 这当然不起作用，因为有一些(\\W)*(\\S)* 之后剩下的字符已匹配。

因此，如果您只是在寻找以 User Comments: 开头的字符串，请使用正则表达式

^\s*User Comments:\s*(.*)

使用Pattern.DOTALL 选项：

Pattern regex = Pattern.compile("^\\s*User Comments:\\s+(.*)", Pattern.DOTALL);
Matcher regexMatcher = regex.matcher(subjectString);
if (regexMatcher.find()) {
    ResultString = regexMatcher.group(1);
} 

ResultString 将包含User Comments: 之后的文本

Answer 3

这与 MULTILINE 标志无关；您看到的是 find() 和 matches() 方法之间的区别。 find() 如果可以在目标字符串中的任意位置找到匹配项，则find() 成功，而matches() 期望正则表达式匹配整个字符串。

Pattern p = Pattern.compile("xyz");

Matcher m = p.matcher("123xyzabc");
System.out.println(m.find());    // true
System.out.println(m.matches()); // false

Matcher m = p.matcher("xyz");
System.out.println(m.matches()); // true

此外，MULTILINE 并不代表您认为的那样。许多人似乎会得出这样的结论：如果您的目标字符串包含换行符，您必须使用该标志——也就是说，如果它包含多个逻辑行。我在这里看到了几个关于这个效果的答案，但事实上，该标志所做的只是改变锚点的行为，^ 和$。

通常^ 匹配目标字符串的开头，$ 匹配结尾（或者在末尾换行符之前，但我们暂时将其放在一边）。但如果字符串包含换行符，您可以通过设置 MULTILINE 标志来选择 ^ 和 $ 匹配任何逻辑行的开头和结尾，而不仅仅是整个字符串的开头和结尾。

所以忘记MULTILINE 的含义，只记得它做了什么：改变^ 和$ 锚的行为。 DOTALL 模式最初被称为“单行”（在某些风格中仍然存在，包括 Perl 和 .NET），它总是引起类似的混淆。我们很幸运，Java 开发人员在这种情况下使用了更具描述性的名称，但“多行”模式没有合理的替代方案。

在所有这些疯狂的开始的 Perl 中，他们承认了自己的错误并摆脱了 Perl 6 正则表达式中的“多行”和“单行”模式。再过二十年，也许世界其他地方也会效仿。

Answer 4

多行标志告诉正则表达式将模式匹配到每一行，而不是整个字符串，为了您的目的，通配符就足够了。