检测全角和半角的空格：正则表达式 VS Character.isWhitespace()

Question

我的任务是检测服务器应用程序的 csv 中是否存在任何字符串空格。CSV的内容是日语、英语、一些符号和数字的组合。英语中的空格是半角，日语中的空格是全角。两种语言中空格的宽度和字节大小不同。我正在使用 Java 8 进行编码，最好不要使用第三方库。我正在考虑两种方法，这些是伪代码。正则表达式：targetStr.matches("\\s+");字符.isWhitespace():targetStr.codepoints()             .filter(c -> Character.isWhitespace(c))             .count() > 0上述伪代码中的任何一个都可以完成这项任务吗？哪个对我的情况更有效？

Answer 1

首先，targetStr.matches("\\s+")并targetStr.codepoints().filter(c -> Character.isWhitespace(c)).count() > 0承担完全不同的逻辑。

String.matches要求整个字符串匹配，因此\s+它必须完全由空格组成。相反，count() > 0如果您至少有一个空白字符，则满足，因此它是 的一种低效且冗长的版本targetStr.codepoints().anyMatch(Character::isWhitespace)。

如果你想检查所有字符是否都是空格，你应该使用allMatch。

但进一步来说，空白有不同的定义

Character.isWhitespace:

根据 Java 确定指定字符（Unicode 代码点）是否为空格。当且仅当一个字符满足以下条件之一时，它才是 Java 空白字符：

• 它是 Unicode 空格字符（SPACE_SEPARATOR、 LINE_SEPARATOR或PARAGRAPH_SEPARATOR），但也不是不间断空格（'\u00A0'、 '\u2007'、'\u202F'）。

• 它是'\t'，U+0009 水平制表。

• 它是'\n'，U+000A 换行符。

• 它是'\u000B'，U+000B 垂直制表。

• 它是'\f'，U+000C 换页。

• 它是'\r'，U+000D 回车。

• 它是'\u001C'，U+001C 文件分隔符。

• 它是'\u001D'，U+001D 组分隔符。

• 它是'\u001E'，U+001E 记录分隔符。

• 它是'\u001F'，U+001F 单位分隔符。

模式\s（默认）：

\s 空白字符：[ \t\n\x0B\f\r]

所以这是有显着差异的。

您可以\s匹配所有空白字符，或者使用首先匹配所有 unicode 空白字符的模式。或者显式地引用相同的逻辑Character.isWhitespace，这并不完全相同：

如果你想严格应用 的逻辑Character.isWhitespace，你可以使用

• 匹配所有字符

  • string.codePoints().allMatch(Character::isWhitespace)

  • string.matches("\\p{javaWhitespace}+")

  • string.isBlank()（JDK11）

• 当至少有一个空白字符 时进行匹配

  • string.codePoints().anyMatch(Character::isWhitespace)

  • string.matches(".*\\p{javaWhitespace}.*")

  • Pattern.compile("\\p{javaWhitespace}").matcher(string).find()

正如文档的第一个项目符号所述Character.isWhitespace，它将返回false不间断空格字符 ( '\u00A0', '\u2007', '\u202F')，尽管它们具有空白 Unicode 属性。如果你想将它们匹配为空白，你可以使用

• 匹配所有字符

  • string.matches("(?U)\\s+")

  • string.matches("\\p{IsWhiteSpace}+")

• 当至少有一个空白字符 时进行匹配

  • string.matches("(?U).*\\s.*")

  • string.matches(".*\\p{IsWhiteSpace}.*")

  • Pattern.compile("\\p{IsWhitespace}").matcher(string).find()

  • Pattern.compile("\\s", Pattern.UNICODE_CHARACTER_CLASS).matcher(string).find()