Java正则表达式中\ w和\ b的Unicode等效项？

Question

许多现代正则表达式实现将\w字符类的简写解释为“任何字母，数字或连接标点符号”（通常：下划线）。这样一来，像一个正则表达式\w+匹配的话像hello，élève，GOÄ_432或gefräßig。

不幸的是，Java没有。在Java中，\w仅限于[A-Za-z0-9_]。除了其他问题之外，这使得匹配上述单词变得困难。

似乎\b分隔符在不应该匹配的地方匹配。

类似于.NET的，支持Unicode的\w或\b Java 的正确等效方式是什么？还有哪些其他快捷方式需要“重写”以使它们能够识别Unicode？

Answer 1

源代码

我下面讨论的重写功能的源代码可在此处获得。

Java 7中的更新

Sun的PatternJDK7 更新类有一个很棒的新标志UNICODE_CHARACTER_CLASS，它使一切重新正常运行。它可以作为(?U)模式内部的可嵌入对象使用，因此你也可以将其与String类的包装器一起使用。它还针对其他各种属性修改了定义。现在跟踪Unicode标准，在这两个RL1.2和RL1.2a从UTS＃18：Unicode的正则表达式。这是一个令人兴奋的巨大进步，开发团队的这一重要努力值得称赞。

Java的Regex Unicode问题

使用Java正则表达式的问题是，Perl的1.0 charclass将逃逸-这意味着\w，\b，\s，\d和它们的补-不是Java扩展工作使用Unicode。其中\b只有一个具有某些扩展的语义，但是它们既不映射\w到Unicode标识符，也不映射到Unicode换行属性。

此外，以这种方式访问​​Java中的POSIX属性：

POSIX syntax    Java syntax

[[:Lower:]]     \p{Lower}
[[:Upper:]]     \p{Upper}
[[:ASCII:]]     \p{ASCII}
[[:Alpha:]]     \p{Alpha}
[[:Digit:]]     \p{Digit}
[[:Alnum:]]     \p{Alnum}
[[:Punct:]]     \p{Punct}
[[:Graph:]]     \p{Graph}
[[:Print:]]     \p{Print}
[[:Blank:]]     \p{Blank}
[[:Cntrl:]]     \p{Cntrl}
[[:XDigit:]]    \p{XDigit}
[[:Space:]]     \p{Space}

这是一个真正的混乱，因为这意味着一些事情，如Alpha，Lower和Space做的不是在Java中映射为Unicode Alphabetic，Lowercase或Whitespace性质。这真是令人讨厌。Java的Unicode属性严格地是antemillennial，这意味着我不支持过去十年来出现的Unicode属性。

无法正确谈论空白是一件令人讨厌的事情。请考虑下表。对于每个代码点，Java都有一个J结果列，Perl或任何其他基于PCRE的正则表达式引擎都有一个P结果列：

             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
            \p{Zs}    0  0    0  0    1  1    0  0
         \p{Space}    1  1    0  1    0  1    0  1
         \p{Blank}    0  0    0  0    0  1    0  0
    \p{Whitespace}    -  1    -  1    -  1    -  1
\p{javaWhitespace}    1  -    0  -    0  -    1  -
 \p{javaSpaceChar}    0  -    0  -    1  -    1  -

看到那个吗？

实际上，根据Unicode，这些Java空格结果中的每一个都是“ ̲”。这是一个很大的问题。 Java只是一团糟，根据现有惯例以及根据Unicode，给出的答案都是“错误的”。另外，Java甚至都不允许你访问真正的Unicode属性！实际上，Java不支持与Unicode空格相对应的任何属性。

所有这些问题的解决方案，以及更多

为了解决这个问题以及其他许多相关问题，昨天我编写了一个Java函数来重写模式字符串，该模式字符串重写了这14个charclass转义：

\w \W \s \S \v \V \h \H \d \D \b \B \X \R

通过以一种可预测且一致的方式将其替换为与Unicode匹配的实际工作来代替它们。它只是单个hack会话中的一个alpha原型，但功能完全正常。

简而言之，我的代码如下重写了这14个代码：

\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\p{Nd}\p{Nl}\p{Pc}[\p{InEnclosedAlphanumerics}&&\p{So}]]
\W => [^\pL\pM\p{Nd}\p{Nl}\p{Pc}[\p{InEnclosedAlphanumerics}&&\p{So}]]

\b => (?:(?<=[\pL\pM\p{Nd}\p{Nl}\p{Pc}[\p{InEnclosedAlphanumerics}&&\p{So}]])(?![\pL\pM\p{Nd}\p{Nl}\p{Pc}[\p{InEnclosedAlphanumerics}&&\p{So}]])|(?<![\pL\pM\p{Nd}\p{Nl}\p{Pc}[\p{InEnclosedAlphanumerics}&&\p{So}]])(?=[\pL\pM\p{Nd}\p{Nl}\p{Pc}[\p{InEnclosedAlphanumerics}&&\p{So}]]))
\B => (?:(?<=[\pL\pM\p{Nd}\p{Nl}\p{Pc}[\p{InEnclosedAlphanumerics}&&\p{So}]])(?=[\pL\pM\p{Nd}\p{Nl}\p{Pc}[\p{InEnclosedAlphanumerics}&&\p{So}]])|(?<![\pL\pM\p{Nd}\p{Nl}\p{Pc}[\p{InEnclosedAlphanumerics}&&\p{So}]])(?![\pL\pM\p{Nd}\p{Nl}\p{Pc}[\p{InEnclosedAlphanumerics}&&\p{So}]]))

\d => \p{Nd}
\D => \P{Nd}

\R => (?:(?>\u000D\u000A)|[\u000A\u000B\u000C\u000D\u0085\u2028\u2029])

\X => (?>\PM\pM*)

一些要考虑的事情…

• 该\X定义使用了Unicode现在称为传统字素簇而不是扩展字素簇的定义，因为后者更为复杂。Perl本身现在使用的是高级版本，但是对于大多数常见情况，旧版本仍然可以完美使用。编辑：请参阅底部的附录。
• 该做什么\d取决于你的意图，但默认值为Uniode定义。我看到人们并不总是想要\p{Nd}，但有时[0-9]还是想要\pN。
• 专门编写了两个边界定义\b和\B，以使用该\w定义。
• 该\w定义过于宽泛，因为它抓住了赦免字母，而不仅仅是带圆圈的字母。Unicode Other_Alphabetic属性直到JDK7才可用，所以这是你可以做的最好的事情。

探索边界

边界已自从拉里·沃尔首先创造了一个问题\b和\B语法在1987年谈论他们对Perl 1.0后面的关键是了解如何\b与\B这两个工作是打消她们两分无孔不入的神话：

1. 他们永远只能找了\w字的字符，从来没有对非单词字符。
2. 他们没有专门寻找字符串的边缘。

一个\b边界的机构：

    IF does follow word
        THEN doesn't precede word
    ELSIF doesn't follow word
        THEN does precede word

所有这些都直接定义为：

• 跟随单词 is (?<=\w)。
• 单词是之前(?=\w)。
• 没有遵循单词 is (?<!\w)。
• 之前没有字的(?!\w)。

因此，由于IF-THEN被编码为and ED-一起AB在正则表达式，一个or是X|Y，并且因为and是在优先级高于or，即简单地AB|CD。因此，所有\b这意味着可以用以下方法安全地替换边界：

    (?:(?<=\w)(?!\w)|(?<!\w)(?=\w))

用\w适当的方式定义。

（你可能会觉得A和C组件是对立的，这很奇怪。在一个完美的世界中，你应该能够编写该代码AB|D，但是有一段时间我一直在追踪Unicode属性中的互斥矛盾-我认为我已经注意了，但我把双重条件留在了边界，以防万一。另外，如果以后有更多的想法，它也可以扩展。

对于\B非边界，逻辑为：

    IF does follow word
        THEN does precede word
    ELSIF doesn't follow word
        THEN doesn't precede word

允许将的所有实例\B替换为：

    (?:(?<=\w)(?=\w)|(?<!\w)(?!\w))

这确实是怎样\b和\B行为方式。它们的等效模式是

• \b使用的((IF)THEN|ELSE)构造是(?(?<=\w)(?!\w)|(?=\w))
• \B使用的((IF)THEN|ELSE)构造是(?(?=\w)(?<=\w)|(?<!\w))

但是只要使用版本就AB|CD可以了，特别是如果你的正则表达式语言（例如Java）缺少条件模式时。

我已经使用测试套件检查了所有三个等效定义，验证了边界的行为，该套件每次运行检查110,385,408个匹配项，并且根据以下十个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，人们通常希望使用另一种边界。他们想要一些空格和字符串边缘感知的东西：

• 左边缘 为(?:(?<=^)|(?<=\s))
• 右边缘为(?=$|\s)
  |
  用Java修复Java
  
  

我在其他答案中发布的代码提供了此功能，并提供了许多其他便利。其中包括自然语言单词，破折号，连字符和撇号的定义，以及更多定义。

它还允许你在逻辑代码点中指定Unicode字符，而不是在惯用的UTF-16替代中指定。很难强调这有多重要！那只是为了字符串扩展。

要进行正则表达式charclass替换，使Java regexes中的charclass 最终可以在Unicode上正常工作，请从此处 获取完整的源代码。 当然，你可以随便使用它。如果你对此进行了修复，我很想听听它，但你不必这样做。很短 正则表达式的主要重写功能很简单：

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，这些代码只是一个alpha版本，这是我在周末破解的内容。不会那样的。

对于Beta版，我打算：

• 将代码重复折叠在一起
• 提供关于转义字符串转义与增加正则表达式转义的更清晰的界面
• 为\d扩展提供了一些灵活性，也许\b
• 提供方便的方法来处理转身并为你调用Pattern.compile或String.matches或诸如此类的东西

对于生产版本，它应该具有javadoc和一个JUnit测试套件。我可能包括我的gigatester，但它不是JUnit测试编写的。

附录

我有好消息，也有坏消息。

好消息是，我现在已经非常接近扩展的字素簇，可以用来进行改进\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]+|[^[\p{Zl}\p{Zp}\p{Cc}\p{Cf}&&[^\u000D\u000A\u200C\u200D]]\u000D\u000A])[[\p{Mn}\p{Me}\u200C\u200D\u0488\u0489\u20DD\u20DE\u20DF\u20E0\u20E2\u20E3\u20E4\uA670\uA671\uA672\uFF9E\uFF9F][\p{Mc}\u0E30\u0E32\u0E33\u0E45\u0EB0\u0EB2\u0EB3]]*)|(?s:.))

在Java中，你将其编写为：

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]+|[^[\\p{Zl}\\p{Zp}\\p{Cc}\\p{Cf}&&[^\\u000D\\u000A\\u200C\\u200D]]\\u000D\\u000A])[[\\p{Mn}\\p{Me}\\u200C\\u200D\\u0488\\u0489\\u20DD\\u20DE\\u20DF\\u20E0\\u20E2\\u20E3\\u20E4\\uA670\\uA671\\uA672\\uFF9E\\uFF9F][\\p{Mc}\\u0E30\\u0E32\\u0E33\\u0E45\\u0EB0\\u0EB2\\u0EB3]]*)|(?s:.))";