Java和JavaScript中的正则表达式\b

Question

有没有使用Java和JS中的正则表达式\b的区别？

我进行了以下测试：

在JavaScript中：

console.log(/\w+\b/.test("test中文"));//true  

在Java中：

String regEx = "\\w+\\b";
text = "test中文";
Pattern pattern = Pattern.compile(regEx);
Matcher matcher = pattern.matcher(text);
while(matcher.find()) {
    System.out.println("matched");//never executed
}

为什么上述两个例子的结果不同？

- Gary Chen

---

JavaScript正则表达式不理解Unicode。 - georg

Answer 1

那是因为默认情况下Java支持\b的Unicode，但不支持\w的Unicode, 而JavaScript两者都不支持。

所以\w只能匹配[a-zA-Z0-9_]字符（在我们的例子中是test），但\b不能接受位置（用|标记）。

test|中文

由于Unicode标准将t和中都视为字母字符，因此在字母和非字母Unicode标准之间存在区别。

如果要忽略Unicode，可以使用环视机制并将其重写为(?:(?<=\\w)(?!\\w)|(?<!\\w)(?=\\w))，或者在这个例子中简单地使用(?!\\w)代替\\b。

如果想让\w也支持Unicode，请使用Pattern.UNICODE_CHARACTER_CLASS标志（也可以写成标志表达式(?U)）编译您的模式。

- Pshemo

---

请注意，通常情况下您不需要编写(?:(?<=\\w)(?!\\w)|(?<!\\w)(?=\\w))的所有内容，因为在几乎任何情况下，它的某些部分都是多余的。在OP的情况下，\\b的非Unicode版本只需为(?!\\w)。 - ruakh

此外，在Java中，\b与\w的定义不同步。\b默认是_加上Character.isLetterOrDigit()（它是Unicode感知的，但这个实现是不正确的），在UNICODE_CHARACTER_CLASS模式下，将与\w的定义同步。 - nhahtdh

Answer 2

Jeva正则表达式寻找一个单词字符序列，即[a-zA-Z_0-9]+，在一个单词边界之前。但中文不适用于\w。如果您仅使用\\b，将找到两个匹配项：字符串的开头和结尾。

正如georg所指出的那样，Javascript没有像Java的Regex引擎一样解释字符。

- laune

---

这实际上很奇怪，因为单词边界应该在\w和\W之间的边界上。由于test匹配\w+，而中文匹配\W+，所以应该有一个\b。 - RealSkeptic

Java的正则表达式引擎在早期版本中也存在问题。在这里，“text”匹配“\w+\W+”，但不匹配“\w+\b”，这与基本逻辑相反。(1.8.0_20) - laune