java - 检测全角和半角的空白 : regex VS Character. isWhitespace()

Question

我的任务是检测服务器应用程序的 csv 中是否存在任何字符串空格。 CSV的内容是日语、英语、一些符号和数字的组合。 英语中的空格是半角，日语中的空格是全角。两种语言中空格的宽度和字节大小不同。

我正在使用 Java 8 进行编码，最好不要使用第 3 方库。

我正在考虑两种方法，这些是伪代码。

正则表达式:

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

Character.isWhitespace():

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

上述伪代码中的任何一个都可以完成该任务吗？

哪一个对我的情况更有效？

Answer 1

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

String.matches需要整个字符串匹配，因此 \s+它必须完全由空白组成。相比之下，count() > 0如果您至少有一个空白字符，则满足，因此这是 targetStr.codepoints().anyMatch(Character::isWhitespace) 的低效且冗长的版本。 .

如果你想检查所有字符是否都是空格，你应该使用 allMatch相反。

但进一步来说，空白有不同的定义

Character.isWhitespace :

Determines if the specified character (Unicode code point) is white space according to Java. A character is a Java whitespace character if and only if it satisfies one of the following criteria:

• It is a Unicode space character (SPACE_SEPARATOR, LINE_SEPARATOR, or PARAGRAPH_SEPARATOR) but is not also a non-breaking space ('\u00A0', '\u2007', '\u202F').
• It is '\t', U+0009 HORIZONTAL TABULATION.
• It is '\n', U+000A LINE FEED.
• It is '\u000B', U+000B VERTICAL TABULATION.
• It is '\f', U+000C FORM FEED.
• It is '\r', U+000D CARRIAGE RETURN.
• It is '\u001C', U+001C FILE SEPARATOR.
• It is '\u001D', U+001D GROUP SEPARATOR.
• It is '\u001E', U+001E RECORD SEPARATOR.
• It is '\u001F', U+001F UNIT SEPARATOR.

the \s pattern (默认):

\s A whitespace character: [ \t\n\x0B\f\r]

所以存在显着差异。

如 this answer 中所述，你可以做\s匹配所有空白字符或使用首先匹配所有 unicode 空白字符的模式。或者引用Character.isWhitespace同样的逻辑明确地，这并不完全相同:

如果你想严格应用Character.isWhitespace的逻辑，您可以使用

• 匹配所有个字符
  • string.codePoints().allMatch(Character::isWhitespace)
  • string.matches("\\p{javaWhitespace}+")
  • string.isBlank() (JDK11)
• 当有至少一个空白字符时进行匹配
  • string.codePoints().anyMatch(Character::isWhitespace)
  • string.matches(".*\\p{javaWhitespace}.*")
  • Pattern.compile("\\p{javaWhitespace}").matcher(string).find()

作为Character.isWhitespace的第一个项目符号文档指出，它将返回 false对于不间断空格字符( '\u00A0' 、 '\u2007' 、 '\u202F' )，尽管它们具有空白 Unicode 属性。如果你想将它们匹配为空白，你可以使用

• 匹配所有个字符
  • string.matches("(?U)\\s+")
  • string.matches("\\p{IsWhiteSpace}+")
• 当有至少一个空白字符时进行匹配
  • 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()