Les Espaces De Correspondance Des Expressions Régulières Java

Vous ne pouvez pas utiliser \s en Java pour correspondre à un espace blanc sur son propre jeu de caractères locaux, car Java ne supporte pas l'Unicode blanc, espace bien — même si cela est strictement nécessaire pour répondre à UT#18 RL1.2! Ce qu'il fait n'est pas de normes conformes, hélas.

Unicode définit les 26 points de code comme \p{White_Space}: 20 d'entre eux sont de diverses sortes de \pZ GeneralCategory=Séparateur de, et les 6 autres sont \p{Cc} GeneralCategory=Contrôle.

Espace blanc est une jolie propriété stable, et ceux mêmes que celles qui ont été autour presque jamais. De même, Java n'a pas de propriété qui est conforme à La Norme Unicode pour ceux-ci, donc vous devez utiliser le code comme ceci:

String whitespace_chars =  ""       /* dummy empty string for homogeneity */
                        + "\\u0009" //CHARACTER TABULATION
                        + "\\u000A" //LINE FEED (LF)
                        + "\\u000B" //LINE TABULATION
                        + "\\u000C" //FORM FEED (FF)
                        + "\\u000D" //CARRIAGE RETURN (CR)
                        + "\\u0020" //SPACE
                        + "\\u0085" //NEXT LINE (NEL) 
                        + "\\u00A0" //NO-BREAK SPACE
                        + "\\u1680" //OGHAM SPACE MARK
                        + "\\u180E" //MONGOLIAN VOWEL SEPARATOR
                        + "\\u2000" //EN QUAD 
                        + "\\u2001" //EM QUAD 
                        + "\\u2002" //EN SPACE
                        + "\\u2003" //EM SPACE
                        + "\\u2004" //THREE-PER-EM SPACE
                        + "\\u2005" //FOUR-PER-EM SPACE
                        + "\\u2006" //SIX-PER-EM SPACE
                        + "\\u2007" //FIGURE SPACE
                        + "\\u2008" //PUNCTUATION SPACE
                        + "\\u2009" //THIN SPACE
                        + "\\u200A" //HAIR SPACE
                        + "\\u2028" //LINE SEPARATOR
                        + "\\u2029" //PARAGRAPH SEPARATOR
                        + "\\u202F" //NARROW NO-BREAK SPACE
                        + "\\u205F" //MEDIUM MATHEMATICAL SPACE
                        + "\\u3000" //IDEOGRAPHIC SPACE
                        ;        
/* A \s that actually works for Java’s native character set: Unicode */
String     whitespace_charclass = "["  + whitespace_chars + "]";    
/* A \S that actually works for  Java’s native character set: Unicode */
String not_whitespace_charclass = "[^" + whitespace_chars + "]";

Maintenant, vous pouvez utiliser whitespace_charclass + "+" comme motif de votre replaceAll.

---

Désolé ’bout tout cela. De Java regexes ne fonctionnent pas très bien sur son propre jeu de caractères locaux, et si vous avez vraiment à sauter à travers des exotiques, des cerceaux pour les faire travailler.

Et si vous pensez que l'espace blanc est mauvais, vous devriez voir ce que vous avez à faire pour obtenir \w et \b pour enfin se comporter correctement!

Oui, c'est possible, et oui, c'est un mindnumbing mess. C'est des fins de bienfaisance, même. La meilleure façon d'obtenir une des normes comforming bibliothèque regex pour Java est à la JNI plus aux soins intensifs de trucs. C'est ce que Google fait pour Android, parce OraSun de ne pas être à la hauteur.

Si vous ne voulez pas le faire, mais veulent toujours rester avec Java, j'ai un avant la fin de la regex de la réécriture de la bibliothèque, j'ai écrit que les “corrections” de Java modèles, au moins pour obtenir leur conformité avec les exigences de RL1.2a en UT#18, Unicode Expressions Régulières.

quand j'ai envoyé une question à un Regexbuddy (regex développeur d'application) du forum, j'ai eu plus de réponse exacte à ma \s Java question:

"Message de l'auteur: Jan Goyvaerts

En Java, les abréviations \s, \d, et \w inclure uniquement des caractères ASCII. ... C'est pas un bug de Java, mais tout simplement l'une des nombreuses choses que vous devez être conscient de lorsque vous travaillez avec des expressions régulières. Pour correspondre à tous les espaces Unicode ainsi que des sauts de ligne, vous pouvez utiliser [\s\p{Z}] en Java. RegexBuddy ne supporte pas encore la Java des propriétés spécifiques telles que \p{javaSpaceChar} (ce qui correspond à exactement les mêmes caractères que [\s\p{Z}]).

... \s\s correspondra à deux places, si l'entrée est ASCII. Le vrai problème est avec les OP du code, comme souligné par le a accepté de répondre à cette question."

Pattern whitespace = Pattern.compile("\\s\\s");
matcher = whitespace.matcher(modLine);

boolean flag = true;
while(flag)
{
 //Update your original search text with the result of the replace
 modLine = matcher.replaceAll(" ");
 //reset matcher to look at this "new" text
 matcher = whitespace.matcher(modLine);
 //search again ... and if no match , set flag to false to exit, else run again
 if(!matcher.find())
 {
 flag = false;
 }
}

Java a évolué depuis que cette question a d'abord été mis en place. Vous pouvez faire correspondre toutes sortes de espace unicode des caractères en utilisant la \p{Zs} groupe.

Donc si vous voulais remplacer une ou plus exotique des espaces de la plaine de l'espace que vous pourriez faire ceci:

String txt = "whatever my string is";
txt.replaceAll("\\p{Zs}+", " ")

Également utile de savoir, si vous avez utilisé la trim() fonction de chaîne, vous devriez jeter un oeil à la (relativement nouveau) strip(), stripLeading(), et stripTrailing() fonctions sur les chaînes de caractères. Le peut vous aider à couper toutes sortes de squirrely caractère d'espace blanc. Pour plus d'informations sur ce que l'espace est inclus, voir Java Character.isWhitespace() fonction.