Java正则表达式中\w和\b的Unicode等价物?
Posted
技术标签:
【中文标题】Java正则表达式中\\w和\\b的Unicode等价物?【英文标题】:Unicode equivalents for \w and \b in Java regular expressions?Java正则表达式中\w和\b的Unicode等价物? 【发布时间】:2011-05-17 08:05:41 【问题描述】:许多现代正则表达式实现将\w
字符类速记解释为“任何字母、数字或连接标点符号”(通常:下划线)。这样,像\w+
这样的正则表达式会匹配像hello
、élève
、GOÄ_432
或gefräßig
这样的词。
不幸的是,Java 没有。在 Java 中,\w
仅限于 [A-Za-z0-9_]
。这使得匹配上述单词变得困难,以及其他问题。
似乎\b
单词分隔符在不应该匹配的地方匹配。
在 Java 中,类似 .NET、支持 Unicode 的 \w
或 \b
的正确等价物是什么?哪些其他快捷方式需要“重写”以使其支持 Unicode?p>
【问题讨论】:
Tim 的短篇故事是,他们都需要编写以使它们与 Unicode 保持一致。我仍然看不到任何迹象表明 Java 1.7 会在 Unicode 属性上做更多的事情,而不是 finally 添加对脚本的支持,但仅此而已。如果没有更好地访问完整的 Unicode 属性,有些事情你真的无法做到。如果你还没有我的 uniprops 和 unichars 脚本(和 uninames),它们会让你大开眼界。 可以考虑在单词类中添加标记。因为例如 ä可以用 Unicode 表示为 \u0061\u0308 或 \u00E4。 嘿蒂姆,看看我的更新。他们添加了一个标志以使其全部正常工作。万岁! 【参考方案1】:源代码
我在下面讨论的重写函数的源代码is available here。
Java 7 中的更新
Sun 为 JDK7 更新的 Pattern
类有一个了不起的新标志 UNICODE_CHARACTER_CLASS
,它可以让一切恢复正常。它可以作为模式内部的可嵌入(?U)
使用,因此您也可以将它与String
类的包装器一起使用。它还对各种其他属性进行了更正的定义。它现在在 UTS#18:Unicode 正则表达式 中跟踪 RL1.2 和 RL1.2a 中的 Unicode 标准。这是一个令人兴奋和戏剧性的改进,开发团队的这一重要努力值得赞扬。
Java 的正则表达式 Unicode 问题
Java 正则表达式的问题在于 Perl 1.0 字符类转义——意思是 \w
、\b
、\s
、\d
及其补语——在 Java 中没有扩展为使用 Unicode。其中,\b
享有某些扩展语义,但它们既不映射到 \w
,也不映射到 Unicode identifiers,也不映射到 Unicode line-break properties。
此外,Java 中的 POSIX 属性是通过这种方式访问的:
POSIX syntax Java syntax
[[:Lower:]] \pLower
[[:Upper:]] \pUpper
[[:ASCII:]] \pASCII
[[:Alpha:]] \pAlpha
[[:Digit:]] \pDigit
[[:Alnum:]] \pAlnum
[[:Punct:]] \pPunct
[[:Graph:]] \pGraph
[[:Print:]] \pPrint
[[:Blank:]] \pBlank
[[:Cntrl:]] \pCntrl
[[:XDigit:]] \pXDigit
[[:Space:]] \pSpace
这真是一团糟,因为这意味着像 Alpha
、Lower
和 Space
这样的东西在 Java 中不映射到 Unicode Alphabetic
、Lowercase
、或Whitespace
属性。这非常烦人。 Java 对 Unicode 属性的支持是strictly antemillennial,我的意思是它不支持过去十年出现的任何 Unicode 属性。
不能正确地谈论空白是非常烦人的。考虑下表。对于这些代码点中的每一个,都有一个 J-results 列 用于 Java 和用于 Perl 或任何其他基于 PCRE 的正则表达式引擎的 P-results 列:
Regex 001A 0085 00A0 2029
J P J P J P J P
\s 1 1 0 1 0 1 0 1
\pZ 0 0 0 0 1 1 1 1
\pZs 0 0 0 0 1 1 0 0
\pSpace 1 1 0 1 0 1 0 1
\pBlank 0 0 0 0 0 1 0 0
\pWhitespace - 1 - 1 - 1 - 1
\pjavaWhitespace 1 - 0 - 0 - 1 -
\pjavaSpaceChar 0 - 0 - 1 - 1 -
看到了吗?
根据 Unicode,几乎每一个 Java 空白结果都是 ̲w̲r̲o̲n̲g̲ 。这是一个非常大的问题。Java 只是一团糟,根据现有实践和 Unicode,给出的答案都是“错误的”。此外,Java 甚至不让您访问真正的 Unicode 属性!事实上,Java 不支持对应于 Unicode 空白的 any 属性。
所有这些问题的解决方案,以及更多
为了处理这个和许多其他相关问题,昨天我写了一个 Java 函数来重写一个模式字符串,它重写了这 14 个 charclass 转义:
\w \W \s \S \v \V \h \H \d \D \b \B \X \R
通过将它们替换为实际可以以可预测且一致的方式匹配 Unicode 的东西。它只是一个 hack 会话的 alpha 原型,但它功能齐全。
简而言之,我的代码将这 14 个代码重写如下:
\s => [\u0009-\u000D\u0020\u0085\u00A0\u1680\u180E\u2000-\u200A\u2028\u2029\u202F\u205F\u3000]
\S => [^\u0009-\u000D\u0020\u0085\u00A0\u1680\u180E\u2000-\u200A\u2028\u2029\u202F\u205F\u3000]
\v => [\u000A-\u000D\u0085\u2028\u2029]
\V => [^\u000A-\u000D\u0085\u2028\u2029]
\h => [\u0009\u0020\u00A0\u1680\u180E\u2000-\u200A\u202F\u205F\u3000]
\H => [^\u0009\u0020\u00A0\u1680\u180E\u2000\u2001-\u200A\u202F\u205F\u3000]
\w => [\pL\pM\pNd\pNl\pPc[\pInEnclosedAlphanumerics&&\pSo]]
\W => [^\pL\pM\pNd\pNl\pPc[\pInEnclosedAlphanumerics&&\pSo]]
\b => (?:(?<=[\pL\pM\pNd\pNl\pPc[\pInEnclosedAlphanumerics&&\pSo]])(?![\pL\pM\pNd\pNl\pPc[\pInEnclosedAlphanumerics&&\pSo]])|(?<![\pL\pM\pNd\pNl\pPc[\pInEnclosedAlphanumerics&&\pSo]])(?=[\pL\pM\pNd\pNl\pPc[\pInEnclosedAlphanumerics&&\pSo]]))
\B => (?:(?<=[\pL\pM\pNd\pNl\pPc[\pInEnclosedAlphanumerics&&\pSo]])(?=[\pL\pM\pNd\pNl\pPc[\pInEnclosedAlphanumerics&&\pSo]])|(?<![\pL\pM\pNd\pNl\pPc[\pInEnclosedAlphanumerics&&\pSo]])(?![\pL\pM\pNd\pNl\pPc[\pInEnclosedAlphanumerics&&\pSo]]))
\d => \pNd
\D => \PNd
\R => (?:(?>\u000D\u000A)|[\u000A\u000B\u000C\u000D\u0085\u2028\u2029])
\X => (?>\PM\pM*)
需要考虑的一些事情...
它使用 \X
定义 Unicode now refers to 作为一个遗留的字素集群,而不是一个扩展的字素集群,因为后者更多复杂的。 Perl 本身现在使用更高级的版本,但旧版本在最常见的情况下仍然可以完美运行。 编辑:见底部的附录。
如何处理 \d
取决于您的意图,但默认是 Uniode 定义。我可以看到人们并不总是想要\pNd
,但有时需要[0-9]
或\pN
。
\b
和 \B
这两个边界定义是专门为使用 \w
定义而编写的。
\w
定义过于宽泛,因为它不仅包含带圆圈的字母,还包含括号中的字母。 Unicode Other_Alphabetic
属性直到 JDK7 才可用,所以这是您能做的最好的事情。
探索边界
自从 Larry Wall 在 1987 年首次创造 \b
和 \B
语法来讨论 Perl 1.0 以来,边界一直是一个问题。理解 \b
和 \B
如何工作的关键是消除关于它们的两个普遍的神话:
-
他们只寻找
\w
字字符,从不寻找非字字符。
它们并不专门寻找字符串的边缘。
\b
边界表示:
IF does follow word
THEN doesn't precede word
ELSIF doesn't follow word
THEN does precede word
这些都被完美地直接定义为:
跟随词是(?<=\w)
。
前面的单词是(?=\w)
。
不跟随单词是(?<!\w)
。
单词前面没有是(?!\w)
。
因此,由于IF-THEN
在正则表达式中被编码为and
ed-together AB
,or
是X|Y
,并且因为and
的优先级高于or
,所以就是AB|CD
。所以每一个 \b
这意味着一个边界可以安全地替换为:
(?:(?<=\w)(?!\w)|(?<!\w)(?=\w))
以适当的方式定义\w
。
(你可能觉得A
和C
组件是相反的很奇怪。在一个完美的世界中,你应该可以写成AB|D
,但是有一段时间我在追逐互斥矛盾Unicode 属性——我认为我已经处理好了,但为了以防万一,我把双重条件留在了边界上。另外,如果你以后有额外的想法,这会使其更具可扩展性。)
对于\B
无边界,逻辑是:
IF does follow word
THEN does precede word
ELSIF doesn't follow word
THEN doesn't precede word
允许\B
的所有实例替换为:
(?:(?<=\w)(?=\w)|(?<!\w)(?!\w))
这确实是\b
和\B
的行为方式。它们的等效模式是
\b
使用 ((IF)THEN|ELSE)
构造是 (?(?<=\w)(?!\w)|(?=\w))
\B
使用 ((IF)THEN|ELSE)
构造是 (?(?=\w)(?<=\w)|(?<!\w))
但是只有AB|CD
的版本很好,特别是如果您的正则表达式语言(如Java)中缺少条件模式。 ☹
我已经使用所有三个等效定义和一个测试套件验证了边界的行为,该测试套件每次运行检查 110,385,408 个匹配项,并且我已经根据以下十几种不同的数据配置运行了该测试套件:
0 .. 7F the ASCII range
80 .. FF the non-ASCII Latin1 range
100 .. FFFF the non-Latin1 BMP (Basic Multilingual Plane) range
10000 .. 10FFFF the non-BMP portion of Unicode (the "astral" planes)
但是,人们通常想要不同类型的边界。他们想要一些可以识别空格和字符串边缘的东西:
左边缘为(?:(?<=^)|(?<=\s))
右边缘为(?=$|\s)
用 Java 修复 Java
我在my other answer 中发布的代码提供了这一点以及许多其他便利。这包括自然语言单词、破折号、连字符和撇号的定义,还有更多。
它还允许您在逻辑代码点中指定 Unicode 字符,而不是在愚蠢的 UTF-16 代理项中。 很难过分强调它的重要性!这只是为了字符串扩展。
对于使 Java 正则表达式中的字符类最终在 Unicode 上工作的正则表达式 charclass 替换,并正常工作,获取 the full source from here。当然,您可以随心所欲地使用它。如果您对其进行修复,我很乐意听到它,但您不必这样做。它很短。主要的正则表达式重写函数的内容很简单:
switch (code_point)
case 'b': newstr.append(boundary);
break; /* switch */
case 'B': newstr.append(not_boundary);
break; /* switch */
case 'd': newstr.append(digits_charclass);
break; /* switch */
case 'D': newstr.append(not_digits_charclass);
break; /* switch */
case 'h': newstr.append(horizontal_whitespace_charclass);
break; /* switch */
case 'H': newstr.append(not_horizontal_whitespace_charclass);
break; /* switch */
case 'v': newstr.append(vertical_whitespace_charclass);
break; /* switch */
case 'V': newstr.append(not_vertical_whitespace_charclass);
break; /* switch */
case 'R': newstr.append(linebreak);
break; /* switch */
case 's': newstr.append(whitespace_charclass);
break; /* switch */
case 'S': newstr.append(not_whitespace_charclass);
break; /* switch */
case 'w': newstr.append(identifier_charclass);
break; /* switch */
case 'W': newstr.append(not_identifier_charclass);
break; /* switch */
case 'X': newstr.append(legacy_grapheme_cluster);
break; /* switch */
default: newstr.append('\\');
newstr.append(Character.toChars(code_point));
break; /* switch */
saw_backslash = false;
无论如何,该代码只是一个 alpha 版本,是我在周末破解的东西。不会一直这样。
对于测试版,我打算:
将重复的代码折叠在一起
提供关于非转义字符串转义与增强正则表达式转义的更清晰的界面
为\d
扩展提供一些灵活性,也许\b
为您提供方便的方法来处理转身和调用 Pattern.compile 或 String.matches 或诸如此类的东西
对于生产版本,它应该有 javadoc 和一个 JUnit 测试套件。我可能会包含我的 gigatester,但它不是作为 JUnit 测试编写的。
附录
我有好消息和坏消息。
好消息是我现在有一个非常非常接近扩展字素簇的近似值,可用于改进的\X
。
坏消息☺是这种模式是:
(?:(?:\u000D\u000A)|(?:[\u0E40\u0E41\u0E42\u0E43\u0E44\u0EC0\u0EC1\u0EC2\u0EC3\u0EC4\uAAB5\uAAB6\uAAB9\uAABB\uAABC]*(?:[\u1100-\u115F\uA960-\uA97C]+|([\u1100-\u115F\uA960-\uA97C]*((?:[[\u1160-\u11A2\uD7B0-\uD7C6][\uAC00\uAC1C\uAC38]][\u1160-\u11A2\uD7B0-\uD7C6]*|[\uAC01\uAC02\uAC03\uAC04])[\u11A8-\u11F9\uD7CB-\uD7FB]*))|[\u11A8-\u11F9\uD7CB-\uD7FB]+|[^[\pZl\pZp\pCc\pCf&&[^\u000D\u000A\u200C\u200D]]\u000D\u000A])[[\pMn\pMe\u200C\u200D\u0488\u0489\u20DD\u20DE\u20DF\u20E0\u20E2\u20E3\u20E4\uA670\uA671\uA672\uFF9E\uFF9F][\pMc\u0E30\u0E32\u0E33\u0E45\u0EB0\u0EB2\u0EB3]]*)|(?s:.))
在 Java 中你会写成:
String extended_grapheme_cluster = "(?:(?:\\u000D\\u000A)|(?:[\\u0E40\\u0E41\\u0E42\\u0E43\\u0E44\\u0EC0\\u0EC1\\u0EC2\\u0EC3\\u0EC4\\uAAB5\\uAAB6\\uAAB9\\uAABB\\uAABC]*(?:[\\u1100-\\u115F\\uA960-\\uA97C]+|([\\u1100-\\u115F\\uA960-\\uA97C]*((?:[[\\u1160-\\u11A2\\uD7B0-\\uD7C6][\\uAC00\\uAC1C\\uAC38]][\\u1160-\\u11A2\\uD7B0-\\uD7C6]*|[\\uAC01\\uAC02\\uAC03\\uAC04])[\\u11A8-\\u11F9\\uD7CB-\\uD7FB]*))|[\\u11A8-\\u11F9\\uD7CB-\\uD7FB]+|[^[\\pZl\\pZp\\pCc\\pCf&&[^\\u000D\\u000A\\u200C\\u200D]]\\u000D\\u000A])[[\\pMn\\pMe\\u200C\\u200D\\u0488\\u0489\\u20DD\\u20DE\\u20DF\\u20E0\\u20E2\\u20E3\\u20E4\\uA670\\uA671\\uA672\\uFF9E\\uFF9F][\\pMc\\u0E30\\u0E32\\u0E33\\u0E45\\u0EB0\\u0EB2\\u0EB3]]*)|(?s:.))";
¡Tschüß!
【讨论】:
这太棒了。非常感谢。 天哪,这是一个开明的答案。我只是没有得到 Jon Skeet 的参考资料。他和这有什么关系? @BalusC:Jon 早些时候说他会让我回答这个问题。但请不要在@tchrist 中删除t
。它可能会进入我的脑海。 :)
你有没有想过把它添加到 OpenJDK 中?
@Martijn:我没有,不;我不知道它是那么“开放”。 :) 但我考虑过以更正式的方式发布它;我部门的其他人希望看到这样做(使用某种开源许可证,可能是 BSD 或 ASL)。我可能会改变这个 alpha 原型中的 API,清理代码等。但它极大地帮助了 我们,我们认为它也会帮助其他人。我真的希望 Sun 能为他们的库做点什么,但 Oracle 没有信心。【参考方案2】:
在 Java 中,\w
和 \d
不支持 Unicode;它们只匹配 ASCII 字符 [A-Za-z0-9_]
和 [0-9]
。 \pAlpha
和朋友也是如此(他们所基于的 POSIX“字符类”应该是区域敏感的,但在 Java 中他们只匹配 ASCII 字符)。如果你想匹配 Unicode “单词字符”,你必须把它拼出来,例如[\pL\pMn\pNd\pPc]
,用于字母、非间距修饰符(重音)、十进制数字和连接标点符号。
然而,Java 的 \b
是 Unicode 的;它使用Character.isLetterOrDigit(ch)
并检查重音字母,但它识别的唯一“连接标点符号”字符是下划线。 编辑:当我尝试您的示例代码时,它会打印出 ""
和 élève"
应有的内容 (see it on ideone.com)。
【讨论】:
对不起,Alan,但你真的不能说 Java 的\b
是 Unicode 的。它会犯很多错误。 "\u2163="
、"\u24e7="
和 "\u0301="
在 Java 中都无法匹配模式 "\\b="
,但假定到 — 正如 perl -le 'print /\b=/ || 0 for "\x2163=", "\x24e7=", "\x301="'
所揭示的那样。但是,如果(且仅当)您使用 my 版本的单词边界而不是 Java 中的原生 \b
,那么这些都可以在 Java 中使用。
@tchrist:我没有评论\b
的正确性,只是指出它对Unicode 字符(如Java 中实现的那样)进行操作,而不仅仅是像\w
和朋友这样的ASCII。但是,当\u0301
与基本字符配对时,它确实可以正常工作,如e\u0301=
。而且我不相信 Java 在这种情况下是错误的。除非它是带有字母的字素簇的一部分,否则如何将组合标记视为单词字符?
@Alan,当 Unicode 通过讨论扩展和遗留字素集群来澄清字素集群时,这一点已经得到澄清。字素簇的旧定义(其中\X
代表非标记后跟任意数量的标记)是有问题的,因为您应该能够将所有文件描述为匹配/^(\X*\R)*\R?$/
,但如果您不能在文件的开头有一个\pM
,甚至是一行。因此,他们将其扩展为始终匹配至少一个字符。它总是如此,但现在它使上述模式起作用。 [...继续...]
@Alan,Java 的原生 \b
部分支持 Unicode,弊大于利。考虑将字符串"élève"
与模式\b(\w+)\b
进行匹配。看到问题了吗?
@tchrist:是的,没有单词边界,\w+
会找到两个匹配项:l
和 ve
,这已经够糟糕的了。但是 with 单词边界它什么也找不到,因为 \b
将 é
和 è
识别为单词字符。至少,\b
和 \w
应该就什么是单词字符和什么不是字符达成一致。【参考方案3】:
很遗憾\w
不起作用。建议的解决方案 \pAlpha
也不适用于我。
似乎[\pL]
捕获了所有Unicode 字母。所以\w
的Unicode等价物应该是[\pL\pDigit_]
。
【讨论】:
但\w
也匹配数字等等。我认为对于字母,\pL
会起作用。
你是对的。 \pL
就够了。我还认为只有字母才是问题所在。 [\pL\pDigit_]
应该捕获所有字母数字字符,包括下划线。
@MusicKk:请参阅我的答案以获得一个完整的解决方案,该解决方案允许您正常编写模式,然后将其传递给一个函数,该函数可以纠正 Java 的空白,以便它在 Unicode 上正常工作。跨度>
不,\w
被 Unicode 定义为比 \pL
和 ASCII 数字更广泛,所有愚蠢的事情。如果你想要一个能识别 Unicode 的 \w
用于 Java,你必须写 [\pL\pM\pNd\pNl\pPc[\pInEnclosedAlphanumerics&&\pSo]]
— 或者你可以使用 here 中的 unicode_charclass
函数。对不起!
@Tim,是的,对于字母 \pL
确实有效(你不需要接受一个字母的道具)。但是,您很少需要这样,因为您必须非常小心,您的匹配不会仅仅因为您的数据采用 Unicode 规范化形式 D(又名 NFD,意思是规范 分解)而不是在 NFC 中(NFD 后跟规范 composition)。例如,代码点 U+E9 ("é"
) 是 NFC 形式的 \pL
,但其 NFD 形式变为 U+65.301,因此匹配 \pL\pM
。你可以有点用\X
:(?:(?=\pL)\X)
来解决这个问题,但你需要我的Java版本。 :(以上是关于Java正则表达式中\w和\b的Unicode等价物?的主要内容,如果未能解决你的问题,请参考以下文章