java - 检测正则表达式中的特定标点符号的奇怪行为

Question

以下代码:

import java.util.regex.Matcher;
import java.util.regex.Pattern;


public class Main {

public static void main(String[] args) {
    // TODO Auto-generated method stub

          // Create a Pattern object
          Pattern r = Pattern.compile("[?:!.,;'’\"“”«»<>=()_-]+");

          // Now create matcher object.
          Matcher m = r.matcher("Hello,World!");

          while(m.find())
            System.out.println(m.group());

         }
}

输出:

,
!

如果我在正则表达式中添加标点符号 - (较长的连字符)，则它会变成:

Pattern r = Pattern.compile("[?:!.,;'’\"“”«»<>=()_-–]+");

输出变为:

ello, 
orld!

有人能告诉我为什么会出现这种奇怪的故障吗？

Answer 1

这是因为 _ 和 – 之间的破折号 (-) 创建了一个范围，并包含 Unicode 代码点在 之间的所有字符_ 和 –。

• _ 是 U+005F
• – 是 U+2013

因此，介于两者之间的所有内容都包含在该范围内。这包括小写拉丁字符(范围从 U+0061 到 U+007A)。

大写拉丁字符的范围是从 U+0041 到 U+005A，因此位于 U+005F 下划线之前。这些被排除在字符类之外。

将破折号放在字符类的开头或结尾即可解决问题。

[?:!.,;'’\"“”«»<>=()_–-]+

或者，您可以使用反斜杠来转义它，但我建议您坚持使用第一个/最后一个规则，因为它更容易阅读。