我试图找出为什么 JAVA ([\ud800-\udbff\udc00-\udfff])
中的这个正则表达式用于 replaceAll(regexp,"")
还删除连字符减号以及代理字符。
这个的 Unicode 是 \u002d
所以它似乎不在任何这些范围内。
我可以很容易地删除此行为,添加 &&[^\u002d]
导致 ([\ud800-\udbff\udc00-\udfff&&[^\u002d]])
但是,由于我不知道为什么这个 \u002d
被删除,我认为可能有更多未被注意的字符被删除。
例子:
String text = "A\u002dB";
System.out.println(text);
String regex = "([\ud800-\udbff\udc00-\udfff])";
System.out.println(text.replaceAll(regex, "X"));
打印:
A-B
AXB
最佳答案
概述和假设
在星体平面(代码点 U+10000 到 U+10FFFF)中匹配字符一直是 Java 正则表达式中记录不足的功能。
本回答主要是Oracle对Java 6及以上版本的实现(引用实现,OpenJDK中也有使用)。
如果您碰巧使用 GNU Classpath 或 Android,请自行测试代码,因为它们使用自己的实现。
幕后花絮
假设您在 Oracle 的实现上运行您的正则表达式,您的正则表达式
"([\ud800-\udbff\udc00-\udfff])"
这样编译:
StartS. Start unanchored match (minLength=1)
java.util.regex.Pattern$GroupHead
Pattern.union. A ∪ B:
Pattern.union. A ∪ B:
Pattern.rangeFor. U+D800 <= codePoint <= U+10FC00.
BitClass. Match any of these 1 character(s):
[U+002D]
SingleS. Match code point: U+DFFF LOW SURROGATES DFFF
java.util.regex.Pattern$GroupTail
java.util.regex.Pattern$LastNode
Node. Accept match
字符类被解析为\ud800-\udbff\udc00
,-
,\udfff
。由于\udbff\udc00
构成了一个有效的代理对,它代表了代码点U+10FC00。
错误的解决方案
没有意义写:
"[\ud800-\udbff][\udc00-\udfff]"
由于 Oracle 的实现是按代码点进行匹配的,并且有效的代理项对将在匹配之前转换为代码点,因此上面的正则表达式无法匹配任何内容,因为它正在搜索 2 个连续的单独的可以形成有效对的代理项。
解决方案
如果你想匹配并删除星体层中 U+FFFF 以上的所有代码点(由有效的代理对形成),加上孤独的代理(不能形成有效的代理对),你应该写:
input.replaceAll("[\ud800\udc00-\udbff\udfff\ud800-\udfff]", "");
此解决方案已经过测试,可以在 Java 6 和 7(Oracle 实现)中工作。
上面的正则表达式编译为:
StartS. Start unanchored match (minLength=1)
Pattern.union. A ∪ B:
Pattern.rangeFor. U+10000 <= codePoint <= U+10FFFF.
Pattern.rangeFor. U+D800 <= codePoint <= U+DFFF.
java.util.regex.Pattern$LastNode
Node. Accept match
请注意,我使用字符串文字 Unicode 转义序列指定字符,而不是正则表达式语法中的转义序列。
// Only works in Java 7
input.replaceAll("[\\ud800\\udc00-\\udbff\\udfff\\ud800-\\udfff]", "")
当用正则表达式语法指定时,Java 6 不识别代理项对,因此正则表达式将 \\ud800
识别为一个字符并尝试编译范围 \\udc00-\\udbff
它失败的地方。我们很幸运,它为此输入抛出了一个异常;否则,错误将不会被发现。 Java 7 正确解析此正则表达式并编译为与上述相同的结构。
从 Java 7 及更高版本开始,语法 \x{h..h}
已被添加以支持指定超出 BMP(基本多语言平面)的字符,这是指定字符的推荐方法星体层。
input.replaceAll("[\\x{10000}-\\x{10ffff}\ud800-\udfff]", "");
这个正则表达式也编译成与上面相同的结构。
关于java - 为什么代理 java 正则表达式会找到连字符 -,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/27820971/