Java expression régulière correspondant _all_ espaces

Je suis à la recherche d'une expression régulière en Java, ce qui correspond à tous les caractères dans une Chaîne. "\s" ne correspond qu'à certains, il ne correspond pas   et similaires non-ascii des espaces. Je suis à la recherche d'une expression régulière qui correspond à tous (commun) des espaces blancs qui peuvent se produire dans une Java Chaîne.

[Modifier]

Pour clarifier: je ne veux pas la séquence de chaîne " ", je veux dire la sincle caractère unicode U+00A0 qui est souvent représenté par " ", par exemple, en HTML, et tous les autres caractères unicode avec un semblable blanc-espace meainig, par exemple, "ÉTROIT NO-BREAK SPACE" (U+202F), Mot menuisier encodés en Unicode 3.2 et au-dessus, U+2060, "ZÉRO de la LARGEUR de NO-BREAK SPACE" (U+FEFF) et tout autre caractère qui peut être regareded blancs de l'espace.

[Répondre]

Pour mon objet, c'est à dire la capture de tous les espaces, unicode + traditionnel, l'expression suivante fait le travail:

[\p{Z}\s]

La réponse est dans les commentaires ci-dessous, mais depuis il est un peu caché, je le répète ici.

  • Pour être clair, tu veux dire littéralement   ou sa sortie \u00A0? Qui fait toute la différence.
  •  's de sortie? Sortie par quoi?
  • Le navigateur internet par exemple.
InformationsquelleAutor Carsten | 2009-11-30
  1. 11

    La   est que les espaces dans le code HTML. Utiliser un Analyseur HTML pour extraire le texte brut. et \s devrait fonctionner parfaitement.

    • Le   génère \u00A0 à la fin.
    • oui, mais il est important que toute sane définition de "blanc" dans le contexte de la regex ne peut inclure que U+00A0 qui est produite "à la fin", mais ne peut jamais inclure le littéral " ". Qu'est ce que la "on mélange les niveaux d'abstraction ici" de Vinkos réponse est d'environ (si j'ai bien compris).
    • Ne savais pas HTLM Analyseur de fait. Vous pouvez utiliser \p{Z} au lieu de \s pour correspondre à des espaces, il correspondra à \u00A0
    • Oui, aussi, la "fin" de la partie peut produire quelque chose de différent à partir d'un point de code Unicode, en fonction de divers facteurs (principalement sur l'interprétation du sens littéral  ).
    InformationsquelleAutor Andomar
  2. 36

      n'est pas un caractère d'espacement, dans la mesure du regexpes sont concernés. Vous devez soit modifier la regexp pour inclure ces chaînes, en plus de \s, comme /(\s| |%20)/, ou précédemment analyser le contenu de la chaîne pour obtenir de l'ASCII ou Unicode représentation des données.

    On mélange les niveaux d'abstraction ici.

    Si, ce qui, après une minutieuse de relire la question semble être le cas, vous êtes après un moyen de faire correspondre tous les espaces se référant à la norme ASCII, plus les espaces codepoints, \p{Z} ou \p{Zs} va faire le travail.

    Vous devriez vraiment préciser votre question parce qu'il a trompé beaucoup de gens (même en train de faire la bonne réponse à certains downvotes).

    • \p{javaWhitespace} ne semblent pas correspondre &nbsp (U+00A0).
    • Utilisation \p{Z} ou \p{Zs} à la place. Je l'ai testé en Java, et ils ne correspondent U+00A0.
    • [\p{Z}\s] semble faire l'affaire! Merci!
    • Mais.. C'est sans-papiers? java.sun.com/javase/6/docs/api/java/util/regex/Pattern.html
    • Oui et non, il n'est pas sur la javadoc, mais c'est dans O'Reilly "Mastering regular expressions": books.google.com.au/...\p{Z}%22&source=bl&ots=QLyHsY8SOl&sig=PaWtJRDUkGIfNh7AALy6OdOwMA0&hl=en&ei=TGIUS6vlCcGIkAXvyOyuAw&sa=X&oi=book_result&ct=result&resnum=1&ved=0CAgQ6AEwAA#v=onepage&q=regular%20expression%20unicode%20whitespace%20%22\p{Z}%22&f=false
    • Est-il possible d'accepter un commentaire que la bonne réponse?
    • Non, le mieux serait si Alan reposte son commentaire comme réponse.
    • Andomar mentionné \p{Z} tout d'abord, dans un commentaire sous sa propre réponse.
    • Une bonne référence sur \p{Z} et les trucs similaires est ici: regular-expressions.info/unicode.html
    • En fait, il est presque documenté. The supported categories are those of The Unicode Standard in the version specified by the Character class. qui 1,6 était la version 4.0 , et à l'article 2.4 a tableau 2-2 liste de la classe de caractères désignations. Zs est répertorié, Z n'est pas répertorié, mais je suppose que Z est probablement pris en charge pour le retour à la compatibilité avec l'accord préalable versions unicode, mais je ne vais pas la peine de regarder les versions antérieures de l'unicode spec pour vérifier que... 🙂

    InformationsquelleAutor Vinko Vrsalovic
  3. 11

    Vous clarifiée la question de la façon que j'attendais: vous n'êtes en fait pas la recherche de la Chaîne de caractères littérale   comme beaucoup ici semblent penser et pour qui la solution est trop évident.

    Eh bien, malheureusement, il n'y a aucun moyen de les faire correspondre à l'aide de regex. Le mieux est d'inclure le particulier codepoints dans le modèle, par exemple: "[\\s\\xA0]".

    Modifier comme ce fut dans l'un des commentaires, vous pouvez utiliser le sans-papiers "\\p{Z}" pour cela. Alan, pouvez vous s'il vous plaît laisser un commentaire comment vous avez trouvé ça? Celui-ci est tout à fait utile.

    • C'est une des (nombreuses) standard Unicode propriété des abréviations. Ils sont mentionnés dans le Modèle de l'API docs, bien que celui-ci n'est pas parmi les exemples. Voici un bon aperçu: regular-expressions.info/unicode.html#prop Mais ce n'est pas aussi utile qu'elle pourrait l'être: il ne correspond pas à des sauts de ligne, les tabulations ou (apparemment) tout autre ASCII espaces à l'exception de l'espace (U+0020). C'est peut-être pourquoi vous n'avez jamais entendu parler de lui. 🙂
    • Merci pour l'aperçu. Je n'ai vraiment pas s'attendre à ce que les sans-papiers, ceux qui sont également en langage Java le moteur d'expressions régulières. Cela voudrait dire que la doc API est incomplète (que j'ai vraiment ne vous attendez pas à partir du Soleil, les gars, vous savez).
    • Ennuyeux que \s ne correspond pas \xA0 -______________________-
    InformationsquelleAutor BalusC
  4. 3

    Voici un résumé que j'ai fait de plusieurs définitions concurrentes de "espaces":

    http://spreadsheets.google.com/pub?key=pd8dAQyHbdewRsnE5x5GzKQ

    Vous pourriez vous retrouver avoir à la liste explicite de la supplémentaires à vos proches qui ne sont pas appariés par l'un des prefab ceux.

    • Goyave de référence de la bibliothèque de cette liste comme une "comparaison de plusieurs définitions des 'espaces'" (source). Cependant, Kevin, vous devez donner vos sources. Aussi, je me demande ce que astérisque dans la colonne "StreamTokenizer; String.trim()" est bon pour. Et.. qu'est-ce que le premier char répertoriés.. quelque chose "(00-08)"?
    InformationsquelleAutor Kevin Bourrillion
  5. 2

      n'est pas un espace blanc. C'est un personnage de codage de la séquence qui représente les espaces dans le code HTML. Probablement vous voulez convertir HTML en texte codé en texte brut avant l'exécution de votre chaîne de match contre lui. Si c'est le cas, aller chercher
    javax.swing.text.html

    InformationsquelleAutor Zak
  6. 2

    Dans le cas où tout le monde court à nouveau à cette question, la recherche de l'aide, je vous suggère de poursuivre la réponse suivante: https://stackoverflow.com/a/6255512/1678392

    La version courte: \\p{javaSpaceChar}

    Pourquoi: Par la Modèle de classe, ce cartes le Caractère.isSpaceChar méthode:

    Catégories qui se comportent comme le java.lang.Caractère booléen estmethodname méthodes (sauf pour le obsolète) sont disponibles par le biais de la même \p{prop} syntaxe où le bien a le nom de javamethodname.

    InformationsquelleAutor skia.heliou
  7. 0

    La regex personnages sont les seuls indépendants de l'encodage. Voici une liste de certains caractères en Unicode sont non-impression:

    Combien de caractères non-imprimables sont dans l'usage commun?

    InformationsquelleAutor peter.murray.rust