Regex Pencocokan Spasi Putih - Java

API Java untuk ekspresi reguler menyatakan yang \sakan cocok dengan spasi. Jadi regex \\s\\sharus cocok dengan dua spasi.

Pattern whitespace = Pattern.compile("\\s\\s");
matcher = whitespace.matcher(modLine);
while (matcher.find()) matcher.replaceAll(" ");

Tujuannya adalah untuk mengganti semua contoh dari dua spasi berurutan dengan satu spasi. Namun ini sebenarnya tidak berhasil.

Apakah saya mengalami kesalahpahaman yang parah tentang ekspresi reguler atau istilah "spasi"?

Ya, Anda perlu mengambil hasil dari matcher.replaceAll():

String result = matcher.replaceAll(" ");
System.out.println(result);

Anda tidak dapat menggunakan \sdi Java untuk mencocokkan spasi putih pada kumpulan karakter aslinya sendiri, karena Java tidak mendukung properti spasi kosong Unicode - meskipun hal itu benar-benar diperlukan untuk memenuhi RL1.2 UTS # 18! Apa yang dimilikinya tidak sesuai standar, sayangnya.

Unicode mendefinisikan 26 poin kode sebagai \p{White_Space}: 20 di antaranya adalah berbagai macam \pZ GeneralCategory = Separator , dan 6 sisanya adalah \p{Cc} GeneralCategory = Control .

Ruang putih adalah properti yang cukup stabil, dan yang sama telah ada hampir selamanya. Meski begitu, Java tidak memiliki properti yang sesuai dengan The Unicode Standard untuk ini, jadi Anda harus menggunakan kode seperti ini:

String whitespace_chars =  ""       /* dummy empty string for homogeneity */
                        + "\\u0009" // CHARACTER TABULATION
                        + "\\u000A" // LINE FEED (LF)
                        + "\\u000B" // LINE TABULATION
                        + "\\u000C" // FORM FEED (FF)
                        + "\\u000D" // CARRIAGE RETURN (CR)
                        + "\\u0020" // SPACE
                        + "\\u0085" // NEXT LINE (NEL) 
                        + "\\u00A0" // NO-BREAK SPACE
                        + "\\u1680" // OGHAM SPACE MARK
                        + "\\u180E" // MONGOLIAN VOWEL SEPARATOR
                        + "\\u2000" // EN QUAD 
                        + "\\u2001" // EM QUAD 
                        + "\\u2002" // EN SPACE
                        + "\\u2003" // EM SPACE
                        + "\\u2004" // THREE-PER-EM SPACE
                        + "\\u2005" // FOUR-PER-EM SPACE
                        + "\\u2006" // SIX-PER-EM SPACE
                        + "\\u2007" // FIGURE SPACE
                        + "\\u2008" // PUNCTUATION SPACE
                        + "\\u2009" // THIN SPACE
                        + "\\u200A" // HAIR SPACE
                        + "\\u2028" // LINE SEPARATOR
                        + "\\u2029" // PARAGRAPH SEPARATOR
                        + "\\u202F" // NARROW NO-BREAK SPACE
                        + "\\u205F" // MEDIUM MATHEMATICAL SPACE
                        + "\\u3000" // IDEOGRAPHIC SPACE
                        ;        
/* A \s that actually works for Java’s native character set: Unicode */
String     whitespace_charclass = "["  + whitespace_chars + "]";    
/* A \S that actually works for  Java’s native character set: Unicode */
String not_whitespace_charclass = "[^" + whitespace_chars + "]";

Sekarang Anda dapat menggunakan whitespace_charclass + "+"sebagai pola di file replaceAll.

Maaf tentang semua itu. Regex Java tidak bekerja dengan baik pada kumpulan karakter aslinya, jadi Anda benar-benar harus melewati rintangan eksotis untuk membuatnya berfungsi.

Dan jika menurut Anda ruang kosong itu buruk, Anda harus melihat apa yang harus Anda lakukan untuk mendapatkan \wdan \bakhirnya berperilaku dengan benar!

Ya, itu mungkin, dan ya, ini adalah kekacauan yang mencengangkan. Itu bahkan beramal. Cara termudah untuk mendapatkan perpustakaan regex yang sesuai standar untuk Java adalah dengan JNI ke barang-barang ICU. Itulah yang dilakukan Google untuk Android, karena OraSun tidak sesuai.

Jika Anda tidak ingin melakukan itu tetapi masih ingin tetap menggunakan Java, saya memiliki pustaka penulisan ulang regex front-end. Saya menulis bahwa "memperbaiki" pola Java, setidaknya agar sesuai dengan persyaratan RL1.2a di UTS # 18, Unicode Regular Expressions .

Untuk Java (bukan php, bukan javascript, tidak lainnya):

txt.replaceAll("\\p{javaSpaceChar}{2,}"," ")

ketika saya mengirim pertanyaan ke forum Regexbuddy (aplikasi pengembang regex), saya mendapat jawaban yang lebih tepat untuk pertanyaan Java saya:

"Penulis pesan: Jan Goyvaerts

Di Java, singkatan \ s, \ d, dan \ w hanya menyertakan karakter ASCII. ... Ini bukan bug di Java, tetapi hanya salah satu dari banyak hal yang perlu Anda waspadai saat bekerja dengan ekspresi reguler. Untuk mencocokkan semua spasi kosong Unicode serta jeda baris, Anda dapat menggunakan [\ s \ p {Z}] di Java. RegexBuddy belum mendukung properti khusus Java seperti \ p {javaSpaceChar} (yang cocok dengan karakter yang sama persis dengan [\ s \ p {Z}]).

... \ s \ s akan cocok dengan dua spasi, jika inputnya hanya ASCII. Masalah sebenarnya adalah dengan kode OP, seperti yang ditunjukkan oleh jawaban yang diterima dalam pertanyaan itu. "

Sepertinya berhasil untuk saya:

String s = "  a   b      c";
System.out.println("\""  + s.replaceAll("\\s\\s", " ") + "\"");

akan mencetak:

" a  b   c"

Saya pikir Anda bermaksud melakukan ini alih-alih kode Anda:

Pattern whitespace = Pattern.compile("\\s\\s");
Matcher matcher = whitespace.matcher(s);
String result = "";
if (matcher.find()) {
    result = matcher.replaceAll(" ");
}

System.out.println(result);

Untuk tujuan Anda, Anda dapat menggunakan snnippet ini:

import org.apache.commons.lang3.StringUtils;

StringUtils.normalizeSpace(string);

Ini akan menormalkan jarak menjadi tunggal dan akan menghapus spasi putih awal dan akhir juga.

String sampleString = "Hello    world!";
sampleString.replaceAll("\\s{2}", " "); // replaces exactly two consecutive spaces
sampleString.replaceAll("\\s{2,}", " "); // replaces two or more consecutive white spaces

Pattern whitespace = Pattern.compile("\\s\\s");
matcher = whitespace.matcher(modLine);

boolean flag = true;
while(flag)
{
 //Update your original search text with the result of the replace
 modLine = matcher.replaceAll(" ");
 //reset matcher to look at this "new" text
 matcher = whitespace.matcher(modLine);
 //search again ... and if no match , set flag to false to exit, else run again
 if(!matcher.find())
 {
 flag = false;
 }
}

Java telah berkembang sejak masalah ini pertama kali diangkat. Anda dapat mencocokkan semua jenis karakter spasi unicode dengan menggunakan \p{Zs}grup.

Jadi, jika Anda ingin mengganti satu atau lebih ruang eksotis dengan ruang polos, Anda dapat melakukan ini:

String txt = "whatever my string is";
txt.replaceAll("\\p{Zs}+", " ")

Juga layak mengetahui, jika Anda telah menggunakan trim()fungsi string yang Anda harus melihat pada (relatif baru) strip(), stripLeading()dan stripTrailing()fungsi pada string. Dapat membantu Anda memangkas semua jenis karakter spasi kosong. Untuk informasi lebih lanjut tentang apa yang disertakan, lihat Character.isWhitespace()fungsi Java .

Penggunaan spasi di RE memang menyebalkan, tapi saya yakin itu berhasil. Masalah OP juga dapat diselesaikan menggunakan StringTokenizer atau metode split (). Namun, untuk menggunakan RE (hapus tanda komentar println () untuk melihat bagaimana matcher memecah String), berikut ini contoh kode:

import java.util.regex.*;

public class Two21WS {
    private String  str = "";
    private Pattern pattern = Pattern.compile ("\\s{2,}");  // multiple spaces

    public Two21WS (String s) {
            StringBuffer sb = new StringBuffer();
            Matcher matcher = pattern.matcher (s);
            int startNext = 0;
            while (matcher.find (startNext)) {
                    if (startNext == 0)
                            sb.append (s.substring (0, matcher.start()));
                    else
                            sb.append (s.substring (startNext, matcher.start()));
                    sb.append (" ");
                    startNext = matcher.end();
                    //System.out.println ("Start, end = " + matcher.start()+", "+matcher.end() +
                    //                      ", sb: \"" + sb.toString() + "\"");
            }
            sb.append (s.substring (startNext));
            str = sb.toString();
    }

    public String toString () {
            return str;
    }

    public static void main (String[] args) {
            String tester = " a    b      cdef     gh  ij   kl";
            System.out.println ("Initial: \"" + tester + "\"");
            System.out.println ("Two21WS: \"" + new Two21WS(tester) + "\"");
}}

Ini menghasilkan yang berikut (kompilasi dengan javac dan jalankan pada prompt perintah):

% java Two21WS Awal: "ab cdef gh ij kl" Two21WS: "ab cdef gh ij kl"