具有可变组数的正则表达式中的表情符号 Unicode答案

【问题标题】：Emoji Unicode in regular expression with variable number of groups具有可变组数的正则表达式中的表情符号 Unicode
【发布时间】：2014-03-05 04:21:04
【问题描述】：

我知道这是一个极端情况，但我遇到了一个使用正则表达式和可变组数的代码

根据docs，这是合法的：

捕获的与 a 关联的输入组始终是最近匹配的组。如果一个第二次评估组因为量化然后它先前捕获的值（如果有），如果第二个将被保留评估失败。匹配字符串 "aba" 反对表达式 (a(b)?)+, 例如，将第二组设置为 “乙”。所有捕获的输入都被丢弃在每场比赛开始时。

但是，当我尝试将其与 unicode 符号“带微笑的眼睛的笑脸”(U+1F601) 一起使用时，我得到了 StringIndexOutOfBoundsException。

这是根据规范预期还是存在错误？

这里是测试代码：

import java.util.regex.Matcher;
import java.util.regex.Pattern;

public class TestEmoji {
    public static void main(String[] args)  {
        Pattern pattern = Pattern.compile("(A.)* EEE");

        testGroups(pattern, "ACAB EEE");
        testGroups(pattern,  "ABACA\uD83D\uDE01");

    }

    public static void testGroups(Pattern pattern, String s) {
        Matcher matcher = pattern.matcher(s);
        if (matcher.matches()) {
            System.out.println("matches");
            System.out.println(matcher.groupCount());
            for (int i = 1; i <= matcher.groupCount(); ++i) {
                System.out.println(matcher.group(i));
            }
        }
    }
}

还有例外：

matches
1
AB
Exception in thread "main" java.lang.StringIndexOutOfBoundsException: String index out of range: -2
        at java.lang.String.charAt(String.java:658)
        at java.util.regex.Pattern$Slice.match(Pattern.java:3867)
        at java.util.regex.Pattern$GroupCurly.match0(Pattern.java:4382)
        at java.util.regex.Pattern$GroupCurly.match0(Pattern.java:4354)
        at java.util.regex.Pattern$GroupCurly.match(Pattern.java:4304)
        at java.util.regex.Matcher.match(Matcher.java:1221)
        at java.util.regex.Matcher.matches(Matcher.java:559)
        at TestEmoji.testGroups(TestEmoji.java:19)
        at TestEmoji.main(TestEmoji.java:12)
        at sun.reflect.NativeMethodAccessorImpl.invoke0(Native Method)
        at sun.reflect.NativeMethodAccessorImpl.invoke(NativeMethodAccessorImpl.java:57)
        at sun.reflect.DelegatingMethodAccessorImpl.invoke(DelegatingMethodAccessorImpl.java:43)
        at java.lang.reflect.Method.invoke(Method.java:606)
        at com.intellij.rt.execution.application.AppMain.main(AppMain.java:120)

【问题讨论】：

您的正则表达式与ABACA\uD83D\uDE01 中的任何一个都不匹配，其中没有“EEE”。
@sln 它在比赛中崩溃

标签： java regex unicode

【解决方案1】：

在 Java Bugs 数据库中进行了一些挖掘后，我找到了它：

http://bugs.java.com/bugdatabase/view_bug.do?bug_id=8007395

JDK-8007395：当输入字符串包含代理 UTF-16 字符时，Match.find() 中出现 StringIndexOutofBoundsException

【讨论】：

在这种情况下，引擎应该在您打印“匹配”之前已经崩溃。为什么成功了？
我明白了，它打印了第一个，然后引擎在第二个字符串匹配期间失败了。
那么，解决方法是什么？如果引擎拒绝使用 UTF16 字符，您是否将字符串转换为 utf8？ - 所以它在更新版本中得到了修复。
在链接中查看问题描述： 3.当pattern与输入字符串不匹配时。解决方法：捕获异常并将其视为“假”返回值。