Java 正则表达式匹配 _all_ 空白字符答案

【问题标题】：Java regular expression to match _all_ whitespace charactersJava 正则表达式匹配 _all_ 空白字符
【发布时间】：2010-12-21 19:42:25
【问题描述】：

我在 Java 中寻找一个匹配字符串中所有空白字符的正则表达式。 "\s" 只匹配一些，它不匹配 &nbsp; 和类似的非 ascii 空格。我正在寻找一个与 Java 字符串中可能出现的所有（常见）空白字符匹配的正则表达式。

[编辑]

澄清一下：我不是指字符串序列“&nbsp;”，我指的是通常由“&nbsp;”表示的正弦 unicode 字符 U+00A0，例如在 HTML 中，以及所有其他具有类似空格含义的 unicode 字符，例如“NARROW NO-BREAK SPACE”（U+202F），以 Unicode 3.2 及更高版本编码为 U+2060 的 Word joiner，“ZERO WIDTH NO-BREAK SPACE”（U+FEFF）和任何其他可以视为白色的字符-空间。

[答案]

对于我的目的，即捕获所有空白字符，unicode + 繁体，以下表达式可以完成工作：

[\p{Z}\s]

答案在下面的 cmets 中，但由于它有点隐藏，我在这里重复一遍。

【问题讨论】：

明确地说，您的意思是字面意思 &nbsp; 还是它的输出\u00A0？这有很大的不同。
的输出？通过什么输出？
@Vinko：以网络浏览器为例。

标签： java regex

【解决方案1】：

就正则表达式而言，它不是空格字符。您需要修改正则表达式以包含除 \s 之外的那些字符串，例如 /(\s| |%20)/，或者之前解析字符串内容以获取数据的 ASCII 或 Unicode 表示。

您在这里混合了抽象级别。

如果仔细重新阅读问题后似乎是这种情况，您正在寻找一种方法来匹配所有引用标准 ASCII 的空白字符加上空白代码点，\p{Z} 或 \p{Zs} 将完成这项工作。

你真的应该澄清你的问题，因为它误导了很多人（甚至做出正确的答案来投反对票）。

【讨论】：

\p{javaWhitespace} 似乎与 &nbsp (U+00A0) 不匹配。
请改用\p{Z} 或\p{Zs}。我用 Java 测试过，它们确实匹配 U+00A0。
但是.. 那是无证的？ java.sun.com/javase/6/docs/api/java/util/regex/Pattern.html
是也不是，它不在 javadoc 上，但它在 O'Reilly “掌握正则表达式”中：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
不，最好是艾伦将他的评论重新发布为答案。

【解决方案2】：

您按照我预期的方式澄清了问题：您实际上并不是在寻找字符串文字 &nbsp;，因为这里的许多人似乎认为并且解决方案太明显了。

不幸的是，没有办法使用正则表达式来匹配它们。最好是在模式中包含特定的代码点，例如："[\\s\\xA0]"。

编辑如其中一个 cmets 所示，您可以为此使用 undocumented "\\p{Z}"。艾伦，你能留下评论你是怎么发现的吗？这个挺好用的。

【讨论】：

它是（许多）标准 Unicode 属性简写之一。它们在 Pattern API 文档中被提及，尽管这个不在示例中。这是一个很好的概述：regular-expressions.info/unicode.html#prop 但它并没有它应有的用途：它不匹配换行符、制表符或（显然）除空格 (U+0020) 之外的任何其他 ASCII 空格。也许这就是你从未听说过它的原因。 :)
感谢您的概述。我真的没想到那些未记录的也可以在 Java 的正则表达式引擎中工作。这意味着 API 文档是不完整的（你知道，我真的不希望 Sun 公司的人这样做）。
很烦\s 不匹配\xA0 -______________________-

【解决方案3】：

&nbsp; 只是 HTML 中的空格。使用HTML parser 提取纯文本。 \s 应该可以正常工作。

【讨论】：

&nbsp; 最后生成\u00A0。
@BalusC：是的，但重要的是，在正则表达式的上下文中“空白字符”的任何合理定义只能包括“最后”产生的 U+00A0，但不能包括文字“&nbsp;”。这就是 Vinkos 答案的“你在这里混合抽象级别”的意思（如果我理解正确的话）。
@BalusC：不知道 HTLM Parser 做到了。您可以使用\p{Z} 而不是\s 来匹配空格，它将匹配\u00A0
@Joachim：是的，“结束”部分也可以产生与 Unicode 代码点不同的东西，这取决于各种因素（主要取决于谁在解释文字）。

【解决方案4】：

单击here 以查看我对“空白”的几个相互竞争的定义所做的总结。

您最终可能不得不明确列出您关心的与预制件之一不匹配的附加件。

【讨论】：

Guava 库将此列表引用为“对‘空白’的几个定义的比较”(source)。但是，凯文，你应该放弃你的消息来源。另外，我想知道“StreamTokenizer；String.trim()”列上的星号有什么用。而且.. 列出的第一个字符是什么.. 什么“（00-08）”？

【解决方案5】：

&nbsp; 不是空格。它是一个字符编码序列，表示 HTML 中的空格。您很可能希望在针对它运行字符串匹配之前将 HTML 编码文本转换为纯文本。如果是这样的话，去看看 javax.swing.text.html

【讨论】：

【解决方案6】：

如果有人再次遇到此问题寻求帮助，我建议寻求以下答案：https://stackoverflow.com/a/6255512/1678392

简短版：\\p{javaSpaceChar}

为什么：根据Pattern class，这映射了Character.isSpaceChar 方法：

行为类似于 java.lang.Character boolean ismethodname 方法的类别（不推荐使用的方法除外）可通过相同的 \p{prop} 语法获得，其中指定属性的名称为 javamethodname。

?

【讨论】：

【解决方案7】：

正则表达式字符是唯一独立于编码的字符。以下是一些字符的列表 - 在 Unicode 中 - 是非打印的：

How many non-printing characters are in common use?

【讨论】：