检测全宽度和半宽度的空白: regex对Character.isWhitespace()

Question

我的任务是检测服务器应用程序的csv中是否有任何空格字符串。CSV的内容是日语、英语、一些符号和数字的组合。英语中的白空间是半宽的，日语的是全宽的。两种语言中空白的宽度和字节大小是不同的。

我使用Java 8编写代码，不使用第三方库更好。

我正在考虑两种方法，这些都是伪码。

Regex：

targetStr.matches("\\s+");

Character.isWhitespace()：

targetStr.codepoints()
             .filter(c -> Character.isWhitespace(c))
             .count() > 0

上面的任何一个伪码会执行这个任务吗？

哪一个对我的案子更有效？

Answer 1

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

String.matches需要整个字符串才能匹配，所以对于\s+，它必须完全由空格组成。相反，如果您至少有一个空白字符，count() > 0就会感到满意，因此它是一个效率低下且冗长的targetStr.codepoints().anyMatch(Character::isWhitespace)版本。

如果您想检查是否所有字符都是空格，则应该使用allMatch .

但是，对于空白有不同的定义。

Character.isWhitespace

根据Java确定指定字符(Unicode代码点)是否为空白。一个字符是一个Java空格字符当且仅当它满足以下条件之一：

• 它是一个Unicode空间字符(SPACE_SEPARATOR、LINE_SEPARATOR或PARAGRAPH_SEPARATOR)，但也不是一个不间断的空间('\u00A0'、'\u2007'、'\u202F')。
• It是'\t'，U+0009水平制表。
• 这是'\n'，U+000A行提要。
• It是'\u000B'，U+000B垂直制表。
• 是'\f'，U+000C表单提要。
• 这是'\r'，U+000D回车。
• 它是'\u001C'，U+001C文件分隔符。
• 它是'\u001D'，U+001D组分隔符。
• 是'\u001E'，U+001E记录分隔符。
• 是'\u001F'，U+001F单元分离器。

the \s pattern (默认情况下)：

\s a空格字符：[ \t\n\x0B\f\r]

所以这两者有很大的区别。

正如在this answer中解释的那样，您可以使\s匹配所有空白字符，或者使用一种首先匹配所有unicode空白字符的模式。或者显式地引用与Character.isWhitespace相同的逻辑，这并不完全相同：

如果要严格应用Character.isWhitespace的逻辑，可以使用

匹配所有字符

• string.codePoints().allMatch(Character::isWhitespace)
• string.matches("\\p{javaWhitespace}+")
• string.isBlank() (JDK11)

的

​

在至少有一个空白字符

• string.codePoints().anyMatch(Character::isWhitespace)
• string.matches(".*\\p{javaWhitespace}.*")
• Pattern.compile("\\p{javaWhitespace}").matcher(string).find()

时匹配

​

正如Character.isWhitespace文档的第一个符号所述，尽管它们具有空格Unicode属性，但它将返回非中断空间字符('\u00A0'、'\u2007'、'\u202F')的false。如果要将它们匹配为空白，可以使用

匹配所有字符

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

的

​

在至少有一个空白字符

• 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()

时匹配

​