Java 正则表达式是不是支持排序序列？

Posted 2023-02-24

【中文标题】Java 正则表达式是不是支持排序序列？

【英文标题】：Do Java regular expressions support collating sequences?Java 正则表达式是否支持排序序列？

【发布时间】：2019-03-16 00:57:54

【问题描述】：

我正在尝试针对测试字符串chchch 使用正则表达式([[.ch.]]*)c。根据the spec：

[[.ch.]]*c 匹配字符串 chchch 中的第一个到第五个字符

当我在 Java 中测试它时，它确实匹配了这些字符，但 [[ch]]*c 也是如此。因此，我不确定整理符号是否受到尊重。是吗？

【参考方案1】：

TL;DR - 没有。

---

您正在阅读/引用的规范是 Open Group 的 SUS（Single UNIX® Specification）版本的正则表达式IEEE POSIX 的一部分（P便携式O运行S系统IuniX接口>) 收集标准。 （见https://www.regular-expressions.info/posix.html¹）

一般来说，只有符合 POSIX 的正则表达式引擎才能完全支持 POSIX bracket expressions，这本质上是其他正则表达式风格所称的字符类，但具有一些特殊功能，其中之一是 [. 和 .] 被解释为在表达式中使用时排序序列的开始和结束。

不幸的是，很少有正则表达式引擎是 POSIX 兼容的，事实上，一些声称实现 POSIX 正则表达式的引擎只是使用由 POSIX 定义的正则表达式语法并且没有完整的locale 支持。因此，它们没有实现所有/任何括号表达式功能/怪癖。

Java 的正则表达式绝不是 POSIX 兼容的，从 Regular Expression Engine Comparison Chart ² 可以看出。它的regex 包实现了一个“类似Perl”的正则表达式引擎，缺少一些功能（例如条件表达式和cmets），但包括一些额外的功能（例如所有格量词和可变长度但有限的后视断言）。

Perl 和 Java 都不支持与排序相关的括号分隔符 [= 和 =]（字符等价），或 [. 和 .]（排序顺序）。 Perl 确实支持使用 POSIX [: 和 :] 分隔符的字符类，但 Java 仅支持使用 \p 运算符（有一些注意事项，如 here 所述）。

那么，Java 中的正则表达式 [[.ch.]]*c 是怎么回事？ （我忽略了捕获组，因为它不会改变分析。）

好吧，事实证明Java 的regex 包在其字符类中支持unions。这是通过嵌套实现的。例如，[<em>set1</em>[<em>set2</em>]] 等价于[<em>set3</em>]，其中<em>set3</em> 中的字符是<em>set1</em> 中的字符和<em>set2</em> 中的字符的并集。 （顺便说一句，请注意 [[<em>set1</em>][<em>set2</em>]] 和 [[<em>set1</em>]<em>set2</em>] 也会产生相同的结果。）

所以，[[.ch.]] 只是包含空字符集与字符类[.ch.] 中的字符集的并集的字符类，所以它基本上与字符类[.ch.] 相同。这相当于[.ch]（因为第二个. 是多余的），因此[[.ch.]]*c 与[.ch]*c 相同。

同样，[[ch]]*c 简化为 [ch]*c。

最后，由于字符串chchch 中没有任何. 字符，正则表达式[.ch]*c 和[ch]*c 将产生相同的结果。 （尝试对字符串c.hchch 进行测试以查看差异并证明上述内容。）

---

注意事项：

对于演示整理序列或检测它们是否已实现，这不是一个很好的示例，因为当支持整理序列时，[[.ch.]]*c 将匹配chchch 中的chchc（并且ch 是有效的当前语言环境中的序列）以及何时不是但联合是。

一个更好的演示/测试是使用正则表达式[[.ch.]]和测试字符串ch：

如果匹配ch，则支持排序序列。 任何其他匹配意味着它们不是。 如果返回错误，它们可能会得到支持，因为如果ch 在当前语言环境中不是有效序列（它是捷克语言环境中的有效整理序列），就会发生这种情况： 如果错误表明ch 不是有效的整理序列，则它们受支持。 如果返回的错误是分隔符/标记[. 和/或.] 无效/不受支持，则不支持整理序列。 如果错误不明确，或者为了保证检查支持的方式，您需要切换到捷克语区域设置（并确认 ch 确实是有效的整理序列）或切换到任何其他具有至少一个已定义的整理顺序，可以用来代替ch。

---

¹ _{我既不是 Jan Goyvaerts，也不隶属于 Regular-Expressions.info 网站。} ² _{我也不是CMCDragonkai。}

【讨论】：

感谢您的全面回复。需要注意的是，Java 实际上支持 cmets，只要您通过传入 Pattern.COMMENTS 标志或嵌入 (?x) 标志来打开 cmets 模式。

@VictorGrazi 不客气。不过，我有点困惑。 cmets模式的参考是什么？ AFAIK cmets 与允许在正则表达式中嵌入 cmets 有关。我不明白这与我的答案有何关系。

您说 Java 的“正则表达式包实现了一个“类 Perl”正则表达式引擎，缺少一些功能（例如条件表达式和 cmets）”。我只是在纠正这一点，Java 并没有缺少 cmets 支持。您可以在模式中指定 (?x)，以便忽略空格，并将 # 解释为注释指示符。对吗？