今天遇到了String.split()方法，结合源码分析、记录下(最后附上正则表达式记录)：
简介
split(String regex, int limit)一般根据正则表达式分割字符串，limit限定分割后的子字符串个数，超过数量限制的情况下前limit-1个子字符串正常分割，最后一个子字符串包含剩下所有字符。重载方法split(String regex)将limit设置为0。
public String[] split(String regex) {
return split(regex, 0); //将limit设置为0
}
split()首先判断传入的regex是否为一些特殊情况：
- 单字符情况下
regex不等于正则表达式的元字符(meta character)：.$|()[{^?*+\\ - 双字符情况下
regex第一个字符是反斜杠，第二个字符不是Unicode编码中的数字或字母
特殊情况下split()直接进行分割处理，没有涉及到Pattern和Matcher类。源码如下：
public String[] split(String regex, int limit) {
/* fastpath if the regex is a
(1)one-char String and this character is not one of the
RegEx's meta characters ".$|()[{^?*+\\", or
(2)two-char String and the first char is the backslash and
the second is not the ascii digit or ascii letter.
*/
char ch = 0;
if (((regex.length() == 1 &&
".$|()[{^?*+\\".indexOf(ch = regex.charAt(0)) == -1) ||
(regex.length() == 2 &&
regex.charAt(0) == '\\' &&
(((ch = regex.charAt(1))-'0')|('9'-ch)) < 0 &&
((ch-'a')|('z'-ch)) < 0 &&
((ch-'A')|('Z'-ch)) < 0)) &&
(ch < Character.MIN_HIGH_SURROGATE ||
ch > Character.MAX_LOW_SURROGATE))
{
int off = 0;
int next = 0;
boolean limited = limit > 0;
ArrayList<String> list = new ArrayList<>();
while ((next = indexOf(ch, off)) != -1) {
if (!limited || list.size() < limit - 1) {
list.add(substring(off, next));
off = next + 1;
} else { // last one
//assert (list.size() == limit - 1);
int last = length();
list.add(substring(off, last));
off = last;
break;
}
}
// If no match was found, return this
if (off == 0)
return new String[]{this};
// Add remaining segment
if (!limited || list.size() < limit)
list.add(substring(off, length()));
// Construct result
int resultSize = list.size();
if (limit == 0) {
while (resultSize > 0 && list.get(resultSize - 1).length() == 0) {
resultSize--;
}
}
String[] result = new String[resultSize];
return list.subList(0, resultSize).toArray(result);
}
return Pattern.compile(regex).split(this, limit);
}
源码分析
特殊情况判断
if (((regex.length() == 1 && ".$|()[{^?*+\\".indexOf(ch = regex.charAt(0)) == -1) ||
(regex.length() == 2 && regex.charAt(0) == '\\' &&
(((ch = regex.charAt(1))-'0')|('9'-ch)) < 0 &&
((ch-'a')|('z'-ch)) < 0 &&
((ch-'A')|('Z'-ch)) < 0)) &&
(ch < Character.MIN_HIGH_SURROGATE ||
ch > Character.MAX_LOW_SURROGATE))
-
regex长度为1时，将regex赋给ch，判断ch是否在.$|()[{^?*+\\中 -
regex长度为2时，第一个字符为\\(要表示一个\需要用两个\\转义得到)，第二个字符不在0-9,a-z,A-Z中，且不在Unicode编码的\uD800-\uDBFF之间。\uD800-\uDBFF区间表示的是UTF-16中的低代理项，具体代表字符可以去编码表自行查看。源码如下：
/**
* The minimum value of a
* <a href="http://www.unicode.org/glossary/#high_surrogate_code_unit">
* Unicode high-surrogate code unit</a>
* in the UTF-16 encoding, constant {@code '\u005CuD800'}.
* A high-surrogate is also known as a <i>leading-surrogate</i>.
*
* @since 1.5
*/
public static final char MIN_HIGH_SURROGATE = '\uD800';
public static final char MAX_HIGH_SURROGATE = '\uDBFF';
字符串分割
第一次分割时，使用off和next，off指向每次分割的起始位置，next指向分隔符的下标，完成一次分割后更新off的值，当list的大小等于limit-1时，直接添加剩下子字符串。
- 如果字符串不含分隔符，直接返回原字符串。
- 如果字符串第一次分割完后没有数量没有达到
limit-1，最终余下的字符串在第二次被添加。 -
在
limit等于0的情况下，从最后一个子字符串往前数，所有的空字符串""都会被清除。
调用正则匹配
split()方法在非特殊情况情况下是调用java.util.regex目录下主要的两个类Pattern和Matcher进行分割处理的。String中涉及到正则匹配都是通过这两个类实现的。
Pattern类是理解为模式类，创建一个匹配模式，构造方法私有，不可以直接创建，但可以通过Pattern.complie(String regex)简单工厂方法创建一个正则表达式。
Matcher类是匹配器类，是用来解释Pattern对character sequence执行匹配操作的引擎，构造方法也是私有的，只能通过Pattern.matcher(CharSequence input)方法得到该类的实例
调用流程
return Pattern.compile(regex).split(this, limit);
调用Pattern类中的静态方法构造一个模式类
public static Pattern compile(String regex, int flags) {
return new Pattern(regex, flags);
}
接着调用Pattern.split()方法，在这个方法中调用matcher方法返回一个Mathcer对象m，与String.split()中特殊情况的处理过程类似。
- 使用
m.find()、m.start()、m.end方法。 - 每找到一个分隔符，更新start和end的位置。
- 处理没找到分隔符、子字符串数量小于
limit以及limit=0的情况。
源码如下
public String[] split(CharSequence input) {
return split(input, 0);
}
public String[] split(CharSequence input, int limit) {
int index = 0;
boolean matchLimited = limit > 0;
ArrayList<String> matchList = new ArrayList<>();
Matcher m = matcher(input);
// Add segments before each match found
while(m.find()) {
if (!matchLimited || matchList.size() < limit - 1) {
if (index == 0 && index == m.start() && m.start() == m.end()) {
// no empty leading substring included for zero-width match
// at the beginning of the input char sequence.
continue;
}
String match = input.subSequence(index, m.start()).toString();
matchList.add(match);
index = m.end();
} else if (matchList.size() == limit - 1) { // last one
String match = input.subSequence(index,
input.length()).toString();
matchList.add(match);
index = m.end();
}
}
// If no match was found, return this
if (index == 0)
return new String[] {input.toString()};
// Add remaining segment
if (!matchLimited || matchList.size() < limit)
matchList.add(input.subSequence(index, input.length()).toString());
// Construct result
int resultSize = matchList.size();
if (limit == 0)
while (resultSize > 0 && matchList.get(resultSize-1).equals(""))
resultSize--;
String[] result = new String[resultSize];
return matchList.subList(0, resultSize).toArray(result);
}
小结
事实上，Pattern和Matcher的源码还有很多东西，这里只是浅尝辄止，等String类研究明白再看吧。除了split()方法外，有正则表达式接口的方法都是调用模式类和匹配器类进行实现的。
JDK源码的每一个如final、private的关键字都设计的十分严谨，多读注释，多注意这些细节对于阅读代码和自己写代码都有很大的帮助。
附正则表达式用法：
字符类匹配
[…] 查找方括号之间的任何字符
[^…] 查找任何不在方括号之间的字符
[a-z] 查找任何从小写 a 到小写 z 的字符
[A-Z] 查找任何从大写 A 到大写 Z 的字符
[A-z] 查找任何从大写 A 到小写 z 的字符
. 查找单个字符，除了换行和行结束符
\w 查找单词字符，等价于[a-zA-Z0-9]
\W 查找非单词字符，等价于[^a-zA-Z0-9]
\s 查找空白字符
\S 查找非空白字符
\d 查找数字，等价于[0-9]
\D 查找非数字字符，等价于[^0-9]
\b 匹配单词边界
\r 查找回车符
\t 查找制表符
\0 查找 NULL 字符
\n 查找换行符
重复字符匹配
{n,m} 匹配前一项至少n次，但不能超过m次
{n,} 匹配前一项n次或更多次
{n} 匹配前一项n次
n？ 匹配前一项0次或者1次，也就是说前一项是可选的，等价于{0，1}
n+ 匹配前一项1次或多次，等价于{1，}
n* 匹配前一项0次或多次，等价于{0，}
n$ 匹配任何结尾为 n 的字符串
^n 匹配任何开头为 n 的字符串
?=n 匹配任何其后紧接指定字符串 n 的字符串
?!n 匹配任何其后没有紧接指定字符串 n 的字符串
匹配特定数字
^[1-9]\d*$ 匹配正整数
^-[1-9]\d*$ 匹配负整数
^-?[0-9]\d*$ 匹配整数
^[1-9]\d*|0$ 匹配非负整数（正整数 + 0）
^-[1-9]\d*|0$ 匹配非正整数（负整数 + 0）
^[1-9]\d*.\d*|0.\d*[1-9]\d*$ 匹配正浮点数
^-([1-9]\d*.\d*|0.\d*[1-9]\d*)$ 匹配负浮点数
^-?([1-9]\d*.\d*|0.\d*[1-9]\d*|0?.0+|0)$ 匹配浮点数
^[1-9]\d*.\d*|0.\d*[1-9]\d*|0?.0+|0$ 匹配非负浮点数（正浮点数 + 0）
^(-([1-9]\d.\d|0.\d[1-9]\d))|0?.0+|0$ 匹配非正浮点数（负浮点数 + 0）
匹配特定字符串
^[A-Za-z]+$ 匹配由26个英文字母组成的字符串
^[A-Z]+$ 匹配由26个英文字母的大写组成的字符串
^[a-z]+$ 匹配由26个英文字母的小写组成的字符串
^[A-Za-z0-9]+$ 匹配由数字和26个英文字母组成的字符串
^\w+$ 匹配由数字、26个英文字母或者下划线组成的字符串
