\s 无法匹配所有的空白字符。

Question

在我的Java 8应用程序中，我正在扫描传入的文本中的空格。但是我的正则表达式中的\s不能捕获所有的空格。在我的测试中，我发现它无法捕获其中的一个空格，即不间断空格（Unicode 00A0）。这是我的正则表达式，遇到了这个问题：

Pattern p = Pattern.compile("\\s");

为解决这个问题，我在我的正则表达式中添加了\h。

Pattern p = Pattern.compile("[\\s\\h]");

现在，我还需要注意哪些不会被\s\h捕获的其他空格？

- Jack Cole

---

"\v" 是其中之一。 - Andy Turner

匹配所有空格字符的最简单方法是 "\\p{Z}"。 Z 是 Unicode 通用类别；请参阅 http://unicode.org/reports/tr44/#General_Category_Values。 - VGR

@VGR \\p{Z} 不匹配 \t 或 \n。 - Holger

@Holger Huh，你说得对。我以为它们已经包含在内了。\r和\u000b也没有被包括在内。它们都被归类为控制字符。所以，我想我会使用"[\\s\\p{Z}]"。我认为这覆盖了所有情况... - VGR

@VGR或\p{IsWhiteSpace}或(?U)\s，因为\u000b、\r、\n和\t属于“控制”类别，但具有二进制属性“空格”。 - Holger

@Holger 非常有用的信息。我之前认为 White_Space 二进制属性与 Z 类别本质上是相同的。 - VGR

Answer 1

默认情况下，\s 只匹配 ASCII 空白字符 ([ \t\n\x0B\f\r])。有两种方法可以克服这个限制：

1. 使用 Unicode 字符属性：Pattern.compile("\\p{IsWhiteSpace}")

2. 使预定义字符类使用 Unicode 属性：
   Pattern.compile("\\s", Pattern.UNICODE_CHARACTER_CLASS)
   这也可以通过嵌入标志 (?U) 启用。

Pattern[] pattern = {
    Pattern.compile("\\s"),
    Pattern.compile("\\s", Pattern.UNICODE_CHARACTER_CLASS),
    Pattern.compile("((?U)\\s)"),
    Pattern.compile("\\p{IsWhiteSpace}")
};
String s = " \t\n\u00A0\u2002\u2003\u2006\u202F";
for(Pattern p: pattern) {
    int count = 0;
    for(Matcher m = p.matcher(s); m.find(); ) count++;
    System.out.printf("%-19s: %d matches%n",
      p.pattern()+((p.flags()&Pattern.UNICODE_CHARACTER_CLASS)!=0? " [(?U) via flags]": ""),
      count);
}

\s                 : 3 matches
\s [(?U) via flags]: 8 matches
((?U)\s)           : 8 matches
\p{IsWhiteSpace}   : 8 matches

- Holger

Answer 2

根据 Pattern 类文档，与 \s 匹配的字符是 \t\n\x0B\f\r。

然而，Unicode 确实支持更多的 空格字符。例如：

• \u2002：En 空格
• \u2003：Em 空格
• \u2003：细空格
• \u202F：窄不间断空格

- user11595728

---

从阅读 Pattern 文档并测试这些空格字符来看，似乎 /v 将是我需要添加到正则表达式中的唯一额外空格匹配器。谢谢。 - Jack Cole

好的，所以我将页面上所有空白（没有标记）的Unicode字符复制到一个字符串中，并使用以下正则表达式成功解析它们：Pattern.compile("(?:[\\s\\h\\v\\u2009\\u200B]|\\uDB40\\uDC20)*") - Jack Cole

Answer 3

我们在这方面使用guava...最初的回答。

String s = " \t\n\u00A0\u2002\u2003\u2006\u202F";
int b = CharMatcher.whitespace().countIn(s);
System.out.println(b); // 8

- Eugene