使用垂直空白字符作为java扫描程序定界符，在每个endpoint扫描空字符串

Question

我正在尝试使用Java中的Scanner类扫描一个文件，其中的数据字段由“@”或“endline”分隔。以下是一个示例输入文件：

Student @ Codey @ Huntting
Student @ Sarah @ Honsinger

为了正确扫描如下所示的输入文件，我尝试将Java扫描程序上的分隔符更改为正则表达式“[@\\v]”，它应该匹配@或任何垂直空白，包括\n和\r

下面是我用来测试它的代码：

Scanner scanner = new Scanner(new File("data/initialize.txt"));
int tokenNum = 0;

scanner.useDelimiter("[@\\v]");

while(scanner.hasNext()) {
    System.out.println("Token #" + tokenNum++ + ": " + scanner.next());
}

scanner.close();

我希望扫描的令牌是：

Token #1: Student
Token #2:  Codey 
Token #3:  Huntting
Token #4: Student
Token #5:  Sarah
Token #6:  Honsinger

但实际收到的代币是：

Token #1: Student
Token #2:  Codey 
Token #3:  Huntting
Token #4
Token #5: Student
Token #6:  Sarah
Token #7:  Honsinger
Token #8: 

我本来希望扫描器在扫描hunting时，在搜索之后，以及在下一次调用input时，向上移动到换行符。next（），跳过该换行符，但由于某种原因，扫描程序似乎在该行末尾捕获了一个空字符串。

我检查了多次，文件在任何一行之后都没有空格。我尝试过不同的模式，如[@[\\v]]]和[@][\\v]，但这些模式总是给出具有相同空字符串错误的数据，或者输出完全不正常。

Answer 1

您的文件可能包含形式\r\n的换行符。在这种情况下，扫描仪会找到分隔符\r并输出\r之前的任何内容。然后它找到分隔符\n并输出\r和\n之间的空令牌，然后在\n之后继续。

为了允许\r\n中断，我建议您将\r\n |[@\v]按该确切顺序作为分隔符regex。当然，在转义之后，它会变成“\r\n|[@\\v]”。

正如Andreas提到的，您可以使用的另一个正则表达式是@\R，因为\R匹配任何unicode换行符，包括\R\n。这可能是最好的解决方案。

Answer 2

如果我理解正确，我们可能只想删除@和后面的空格，然后用新行替换它，并在它前面附加一个文本。也许，这个表达会有帮助：

([\S\s]*?)(?:@\s|$)

如果不需要此表达式，可以在regex101.com.中修改/更改表达式

您还可以在jex.im可视化您的表情：

这个片段显示我们可能有一个有效的表达式：

const regex = /([\S\s]*?)(?:@\s|$)/gm;
const str = `Student @ Codey @ Huntting
Student @ Sarah @ Honsinger`;
const subst = `\n$1`;

// The substituted value will be contained in the result variable
const result = str.replace(regex, subst);

console.log('Substitution result: ', result);

Answer 3

您的问题是换行符是一对\r\n，并且\v单独匹配它们。为了复制这一点，让我们更改代码，为测试数据使用内联字符串：

String input = "Student @ Codey @ Huntting\r\n" +
               "Student @ Sarah @ Honsinger\r\n";
try (Scanner scanner = new Scanner(input).useDelimiter("[@\\v]")) {
    for (int tokenNum = 0; scanner.hasNext(); tokenNum++) {
        System.out.println("Token #" + tokenNum + ": \"" + scanner.next() + "\"");
    }
}

输出

Token #0: "Student "
Token #1: " Codey "
Token #2: " Huntting"
Token #3: ""
Token #4: "Student "
Token #5: " Sarah "
Token #6: " Honsinger"
Token #7: ""

解决此问题的一种方法是首先尝试匹配\r\n对：

useDelimiter("\r\n|[@\\v]")

输出

Token #0: "Student "
Token #1: " Codey "
Token #2: " Huntting"
Token #3: "Student "
Token #4: " Sarah "
Token #5: " Honsinger"

但是，这将花费时间检查两次\r，因此最好使用内置\r（任何Unicode换行符序列，相当于\u000D\u000A |[\u000A\u000B\u000C\u000D\u0085\u2028\u2029]）：

useDelimiter("@|\\R")

同样的结果，但更清楚地反映了你想如何匹配。

您当然可以使用trim（）或bar（）来删除前导空格和尾随空格，但是为什么不让Scanner来完成这项工作呢？使用|需要一个（非捕获）组来保持它与空白匹配分开：

useDelimiter("\\s*(?:@|\\R)\\s*")

输出

Token #0: "Student"
Token #1: "Codey"
Token #2: "Huntting"
Token #3: "Student"
Token #4: "Sarah"
Token #5: "Honsinger"