检测全角和半角的空格：regex VS Character.isWhitespace()

Question

我的任务是检测服务器应用程序的 csv 中是否有任何字符串空格。 CSV 的内容是日文、英文、一些符号和数字的组合。 英文的空格是半角，日文的空格是全角。两种语言中空格的宽度和字节大小不同。

我使用 Java 8 进行编码，最好不要使用 3rd 方库。

我正在考虑两种方法，它们是伪代码。

正则表达式：

targetStr.matches("\\s+");

Character.isWhitespace()：

targetStr.codepoints()
             .filter(c -> Character.isWhitespace(c))
             .count() > 0

上述任何一个伪代码都可以完成这项任务吗？

哪种方法更适合我的情况？

Answer 1

首先，targetStr.matches("\\s+") 和 targetStr.codepoints().filter(c -> Character.isWhitespace(c)).count() > 0 具有完全不同的逻辑。

String.matches 要求匹配整个字符串，因此\s+ 必须完全由空格组成。相比之下，count() > 0 如果您至少有一个空白字符就可以满足，因此它是targetStr.codepoints().anyMatch(Character::isWhitespace) 的低效且冗长的版本。

如果要检查所有字符是否都是空格，则应使用allMatch。

但进一步，空白有不同的定义

Character.isWhitespace:

确定指定字符（Unicode 代码点）是否为 根据Java的空白。一个字符就是一个Java 空白字符当且仅当它满足 以下标准：

• 它是一个 Unicode 空格字符 (SPACE_SEPARATOR, LINE_SEPARATOR，或PARAGRAPH_SEPARATOR) 但也不是一个不间断的空间 ('\u00A0', '\u2007'，'\u202F')。
• 是'\t'，U+0009 水平制表。
• 是'\n'，U+000A LINE FEED。
• 它是'\u000B'，U+000B 垂直制表。
• 它是'\f'，U+000C 换页。
• 是'\r'，U+000D 回车。
• 它是'\u001C'，U+001C 文件分隔符。
• 它是'\u001D'，U+001D 组分隔符。
• 它是'\u001E'，U+001E 记录分隔符。
• 是'\u001F'，U+001F 单位分隔符。

the \s pattern（默认）：

\s空格字符：[ \t\n\x0B\f\r]

所以有很大的不同。

如this answer 中所述，您可以使\s 匹配所有空白字符，或者首先使用匹配所有unicode 空白字符的模式。或者显式引用与Character.isWhitespace相同的逻辑，不完全一样：

如果要严格应用Character.isWhitespace的逻辑，可以使用

• 匹配所有个字符
  • string.codePoints().allMatch(Character::isWhitespace)
  • string.matches("\\p{javaWhitespace}+")
  • string.isBlank() (JDK11)
• 匹配至少一个空格字符
  • string.codePoints().anyMatch(Character::isWhitespace)
  • string.matches(".*\\p{javaWhitespace}.*")
  • Pattern.compile("\\p{javaWhitespace}").matcher(string).find()

正如Character.isWhitespace 文档的第一个项目符号所述，它将为不间断空格字符（'\u00A0'、'\u2007'、'\u202F'）返回false，尽管它们具有空白 Unicode财产。如果您想将它们匹配为空白，您可以使用

• 匹配所有个字符
  • string.matches("(?U)\\s+")
  • string.matches("\\p{IsWhiteSpace}+")
• 匹配至少一个空格字符
  • string.matches("(?U).*\\s.*")
  • string.matches(".*\\p{IsWhiteSpace}.*")
  • Pattern.compile("\\p{IsWhitespace}").matcher(string).find()
  • Pattern.compile("\\s", Pattern.UNICODE_CHARACTER_CLASS).matcher(string).find()