正则表达式抛出异常索引超出 unicode char 的范围？

Question

我有一个正则表达式，它基本上将所有绿色文本保持在特定模式之上（保存 group1）。

DEMO

一切正常！

现在，如果在每个 java 解析时有 unicode 字符。下面的 m.find() 抛出一个超出范围 -2 的异常索引。有问题的两个字符是：

文字[23]55357
文字[24]56561

如下所示：Text String Value

String text = "Hi\n\nyo keep this here\n\n????Unicode b4 here\n\nyo\ncut me:\n\nThis should be deleted";
System.out.println(text);
Pattern PATTERN = Pattern.compile("^(.+?)\\byo\\b(?:(?!cut me:|yo).)*cut me:",  Pattern.DOTALL);
Matcher m = PATTERN.matcher(text);
if (m.find()) {
    text = m.group(1);
    System.out.println(text);
}

所以，我的问题是为什么会这样扔？

我尝试在字符串上使用 javaescape (apache utils)，它可以防止抛出，但如果我转义它，我的正则表达式查找不匹配。

当然，如果您删除 unicode 字符，它就可以正常工作。

Answer 1

你应该这样使用。

作为 This should be deleted 在您的字符串中应该真正意味着

Pattern PATTERN = Pattern.compile("^(.+?)\\nyo\\n(?:(?!cut me:|yo).)*cut me:",  Pattern.DOTALL);

为什么会抛出异常？

StringIndexOutOfBound 异常（根据 Oracle 文档）

由 String 方法抛出以指示索引为负数 或大于字符串的大小。

在您的情况下，当您使用 m.find() 尝试查找与模式匹配的输入序列的下一个子序列时，它会被抛出。

正如您尝试使用\b 时所看到的那样

System.out.println(m.groupCount());

这将返回 0。