什么时候'。'在正则表达式中不匹配？

Question

我遇到了以下问题（简化）。我写了以下

Pattern pattern = Pattern.compile("Fig.*");
String s = readMyString();
Matcher matcher = pattern.matcher(s);

在读取一个字符串时，匹配器无法匹配，即使它以“图”开头。我将问题跟踪到字符串下一部分中的流氓角色。它的代码点值为1633来自

(int) charAt(i)

但与正则表达式不匹配。我认为这是由于输入过程中某处出现了非UTF-8编码。

Javadocs说：

  

预定义的字符类   。任何字符（可能与行终止符匹配也可能不匹配）

据推测，这不是严格意义上的字符，但仍然是字符串的一部分。我如何检测到这个问题？

更新：这是由于（char）10不容易发现。我上面的诊断是错误的，下面的所有答案都与所提出的问题相关并且很有用。

Answer 1

检查这个很容易：

import java.util.regex.*;

public class Test {
    public static void main(String[] args) {
        Pattern pattern = Pattern.compile(".");
        for (char c = 0; c < 0xffff; c++) {
            String text = String.valueOf(c);
            if (!pattern.matcher(text).matches()) {
                System.out.println((int) c);
            }
        }
    }
}

在我的方框中，输出为：

10
13
133
8232
8233

其中，10和13分别是“\ n”和“\ r”。 133（U + 0085）是“下一行”，8232（U + 2028）是“行分隔符”，8233（U + 2029）是“段落分隔符”。

请注意：

• 这不会测试基本多语言平面之外的任何Unicode字符
• 仅使用默认选项
• 这似乎与你对1633（U + 0661）
的经历相矛盾

Answer 2

Java正则表达式中的.字符匹配除行终止符之外的任何字符，除非在编译模式时使用标记Pattern.DOTALL。

为此，您可以使用这样的模式：

Pattern p = Pattern.compile("somepattern", Pattern.DOTALL);

Answer 3

根据documentation，.可以有 3略有不同的解释，具体取决于标记。

默认

禁用line terminators模式和DOTALL模式时，

.会排除UNIX_LINES（默认）：

  

行结束符是一个单字符或双字符序列，用于标记输入字符序列行的结尾。以下被认为是行终止符：

     

  
• 换行符（换行符）（'\n'），
  
• 回车符后面紧跟换行符（"\r\n"），
  
• 一个独立的回车符（'\r'），
  
• 下一行字符（'\u0085'），
  
• 行分隔符（'\u2028'）或
  
• 段落分隔符（'\u2029'）。
  

这意味着.在这种情况下相当于[^\n\r\u0085\u2028\u2029]。

启用UNIX_LINES模式但禁用DOTALL模式

启用UNIX_LINES模式后，

.将仅排除 \n，但会禁用DOTALL模式。这意味着.在这种情况下相当于[^\n]。

  

如果激活UNIX_LINES模式，则识别的唯一行终止符是换行符。

启用DOTALL模式时

如果启用了DOTALL模式，.将匹配任何字符，无例外。

  

正则表达式.匹配除行终止符之外的任何字符，除非指定了DOTALL标志。

Answer 4

关于使用正则表达式非打印字符，您可以阅读以下两篇文章：

1. How to match nonprintable characters with a regular expression
2. How to use Unicode code points, properties, blocks, and scripts in regular expressions

即使您完全使用UTF，也会有很多惊喜。