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（更长的连字符）中添加标点符号，使其变为：

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

输出变为：

ello, 
orld!

有谁能告诉我为什么会出现这种奇怪的故障？

Answer 1

这是因为-和_之间的短划线（–）创建了一个范围，并且包含Unicode代码点介于_和{{1之间的所有字符}}

–是U + 005F
_是U + 2013

所以介于两者之间的所有内容都包含在范围内。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从U + 0041到U + 005A，因此位于之前 U + 005F的下划线。这些被排除在角色类之外。

将短划线放在角色类的开头或结尾以解决问题。

–

或者，您可以使用反斜杠来逃避它，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。

Answer 2

一些基础知识：

所有正则表达式特殊字符都可以在类之外转义调用其 literal 含义。

内部课程，乍一看，ascii短划线符号-是范围操作符，
你记得。

要调用其字面含义，可以将其放在
的开头或结尾类。

但是，正则表达式解析比你想象的要简单得多将破折号放在一个类中的位置并不重要。

从左到右解析单个字符，单个字符代表
左边的位置。如果破折号是找到的下一个字符，则下一个字符为
字符代表正确的位置。这构成了一个简单的范围
构建内部类。

除了该构造之外的任何东西，破折号都是文字。

例如[a-c-m-o]表示a，b，c，m，n，o和 -

因此，开头或结尾的短划线不能解析作为范围操作符，
如果它在范围之间或在一个范围之间（例如：[a-d-tovz]）当然在开始或结束时它更容易确保它不被用作范围运营商。

与往常一样，在课堂上转义的任何内容都被视为文字，财产或
控制代码。

此外，属性不能是范围构造的左/右侧。

Java还有其他一些特殊的类构造，例如联合运算符和
嵌套类，但我认为范围运算符功能主要是
所有引擎都一样。

检测正则表达式中特定puntucations的奇怪行为

2 个答案: