如何在空白模式之间进行选择？

Question

在Oracle Pattern documentation 中有关于匹配空格的三种不同模式的描述：

1. \s
2. \p{空格}
3. \p{javaWhitespace}

我想知道每种方法的特殊性是什么，以及如何知道如何选择合适的方法。 我刚刚注意到\p{javaWhitespace} 包含更多空间类型。

Answer 1

我宁愿使用第一个。

• 小巧
• 在许多其他语言中以及在 regexp 的理论中都是相同的表示法
• \p{javaWhitespace} 包括FILE SEPARATOR、GROUP SEPARATOR 等...参见this。在不需要时使用它可能会使其他人感到困惑。
• 一般来说，我希望其他程序员知道\s 是什么，同时我希望他们仔细检查\p{javaWhitespace} 的确切定义是什么。您不希望这样，因为它会降低代码清晰度并在调试期间增加不必要的负担。

Answer 2

\s 是指定空格字符的最短且最不可移植的选项。尽管很少将 Java 代码移植到其他语言，但更多的是关于将一​​种正则表达式引擎的语法知识移植到另一种。有许多正则表达式引擎使用类似 Perl 的语法，因此对 \s 等相同语法的解释差异使程序员感到困惑。

除了空格（ASCII 32）、换行符（\n、ASCII 10）、水平制表符（\t、ASCII 9）、回车符（\r、ASCII 13）和换页符（\f , ASCII 12)，对于什么是空格字符，不同引擎之间没有达成共识。

• Java，POSIX (ASCII)：还包括垂直制表符 (ASCII 11)。 Java 似乎在这里遵循 POSIX 标准。

• JavaScript（5.1版）：根据规格（逐字），除了常见的5种外，还包括：

  • Unicode 类别Zs (Separator/Space)、\u2028（行分隔符）、\u2029（段落分隔符）。它基本上包括Z类（分隔符）下的所有字符。

    ^{其实\u2028是Zl (Separator/Line)的唯一成员，\u2029是Zp (Separator/Paragraph)的唯一成员。根据措辞，当前版本的规范可能会排除对这两个类别的任何进一步扩展。}

  • 垂直标签\v
  • Byte-Order Mark a.k.a. ZERO WIDTH NO-BREAK SPACE \ufeff

• Perl，PCRE（ASCII 模式）：作为实验从 Perl 5.18 添加的垂直选项卡 \v。 5.18之前只匹配常见的5个。

• Perl（Unicode模式）：常见的5种除外

  • Unicode 类别 Z（分隔符）
  • 作为实验从 Perl 5.18 添加的垂直选项卡 \v。
  • 下一行 (NEL) \u0085
  • 蒙古元音分隔符 \u180e

• .NET（默认）：除了5个常用的

  • Unicode 类别 Z（分隔符）
  • 垂直标签\v
  • 下一行 (NEL) \u0085

• Java (Unicode)：从 Java 7 开始，Pattern 类包括一个新标志 UNICODE_CHARACTER_CLASS，它使 预定义字符类 和 POSIX 字符类 符合 Unicode Technical Standard #18: Unicode Regular Expression。当标志处于活动状态时，预定义字符类和对应的POSIX字符类将变得等价（匹配相同的东西）。

  字符列表与 .NET 的相同。

这足以让人抓狂！

---

\p{Space} 是更“稳定”的选项，因为它在默认模式下遵循POSIX standard，在UNICODE_CHARACTER_CLASS 中遵循Unicode Technical Standard #18: Unicode Regular Expression。

如果您使用 POSIX 字符类，符合 POSIX 的实现将在 ASCII 模式下具有相同的行为，并且遵循建议的 Unicode 正则表达式引擎将在 Unicode 模式下具有（几乎）相同的行为.

\s 和 \p{Space} 在 Java 中是等价的，与标志无关。如果您在 Java 中使用 \s，则可以确定您遵循了一些标准/建议。只是它没有向大多数程序员宣布这一事实。

---

\p{isJavaWhitespace} 根据Java's definition 匹配空格。该函数的名称极具误导性。

Answer 3

除非您有特定理由使用其他选项，否则我会保持简单并使用\s