Java 正则表达式在 Android 上的工作方式与在 Java 上的工作方式不同

Question

我在 Android 上使用 Java 正则表达式，但我看到了奇怪的差异，如下所示

Java："COSÌ".replaceAll( "\\W", "" ) ----> "COS"

安卓："COSÌ".replaceAll( "\\W", "" ) ----> "COSÌ"

有人注意到 Java 和 Android String 类之间的相似差异吗？

Answer 1

安卓

直接来自the Android documentation，紧随简写字符类列表（\d、\w、\s 等）之后：

请注意，这些内置类不仅仅涵盖传统的 ASCII 范围。例如，\w 等价于字符类[\p{Ll}\p{Lu}\p{Lt}\p{Lo}\p{Nd}]。

这也可以解释为什么 Ì 不会被 Android 版本上运行的相同代码替换。

虽然简写字符类也匹配 Unicode 字符是正确的，但\w Android 文档的示例定义方式已过时。有关详细信息，请参阅附录。

Java SE

相比之下，在 Java SE 中，默认情况下，\w 等价于 [a-zA-Z_0-9]。

\w 仅在指定 Pattern.UNICODE_CHARACTER_CLASS 标志时匹配 Unicode 字字符。指定标志时：

• 在 Java 7 中，\w 与 [\p{IsAlphabetic}\p{M}\p{Nd}\p{Pc}] 具有相同的定义
• 在 Java 8 中，\w 更新为 [\p{IsAlphabetic}\p{M}\p{Nd}\p{Pc}\u200c\u200d]

解决方法

直接指定字符类。 ICU 正则表达式不支持 ASCII 字符类：

[^a-zA-Z0-9_]

---

附录

ICU 中\w 的定义

以下是\w 随时间演变的过程：

• 简写字符类 \w 被定义为 [\p{Ll}\p{Lu}\p{Lt}\p{Lo}\p{Nd}]（如文档中所示）直到 ICU 3.0。

• 使用从ICU 3.2（2006/02/24 发布）到ICU 4.8.1.1、[\p{Alphabetic}\p{Mark}\p{Decimal_Number}\p{Connector_Punctuation}]（相当于源代码中的[\p{Alphabetic}\p{M}\p{Nd}\p{Pc}]）代替。更改于revision 16634

• 从ICU 49（2012/06/06 发布）开始，文档中的当前定义使用[\p{Alphabetic}\p{Mark}\p{Decimal_Number}\p{Connector_Punctuation}\u200c\u200d]（相当于源代码中的[\p{Alphabetic}\p{M}\p{Nd}\p{Pc}\u200c\u200d]）。更改为 revision 31278。

上面的字符串用于构造URX_ISWORD_SET，在doBackslashW中的regcmp.cpp中使用，用于编译正则表达式。

安卓使用的ICU版本

即使在 android-1.6_r1（甜甜圈），当 Pattern 类文档贫瘠时，它已经在使用 ICU 3.8。 The source code 表明它正在使用第二个要点中的定义。

文档可能回退到描述最旧版本 Android 的行为。

参考

如果您想自己浏览 Android 的源代码：

• libcore（Java 类库）

  • 从android-1.6_r1 到android-2.2.3_r2.1、platform/dalvik 存储库。 Pattern 类可以位于libcore/regex/src/main/java/java/util/regex/Pattern.java
  • 从android-2.3_r1 到现在，platform/libcore 存储库。 Pattern 类可以位于/luni/src/main/java/java/util/regex/Pattern.java

• icu4c（C 的 ICU 库）

  • 从android-1.6_r1 到android-4.4.4_r2.0.1、platform/external/icu4c 存储库。正则表达式相关的东西可以在i18n找到，Unicode相关的东西可以在common找到。
  • 从android-5.0.0_r1 到现在，platform/external/icu。输入icu4c/source，然后输入与上述类似的路径。

Answer 2

看看Android Regular expression syntax documentation:

请注意，这些内置类不仅仅涵盖传统的 ASCII 范围。例如，\w 等价于字符类 [\p{Ll}\p{Lu}\p{Lt}\p{Lo}\p{Nd}]。更多详情见Unicode TR-18， 请记住，每个类别中的字符集可能会有所不同 Unicode 版本之间。如果您实际上只想匹配 ASCII 字符，指定你想要的显式字符；如果你的意思是 0-9 使用[0-9] 而不是\d，这也将包括Gurmukhi 数字和 以此类推。

因此，使用范围来确保您只匹配英文字母replaceAll("[^a-zA-Z0-9_]", "")。