如何在沒有Java 7的正則表達式字符串中匹配大於\ uFFFF的Unicode代碼點？

這裏是我的正則表達式：如何在沒有Java 7的正則表達式字符串中匹配大於 uFFFF的Unicode代碼點？

(?x)(?:[A-Za-z:_] | [\\xC0-\\xD6]| [\\xD8-\\xF6] | [\\xF8-\\x{2FF}] | [\\x{370}-\\x{37D}] | [\\x{37F}-\\x{1FFF}] | [\\x{200C}-\\x{200D}] | [\\x{2070}-\\x{218F}] | [\\x{2C00}-\\x{2FEF}] | [\\x{3001}-\\x{D7FF}] | [\\x{F900}-\\x{FDCF}] | [\\x{FDF0}-\\x{FFFD}] | [\\x{10000}-\\x{EFFFF}])

Regular expression visualization

的Java拒絕編譯。它引發了這個例外：

java.util.regex.PatternSyntaxException: Illegal hexadecimal escape sequence near index 68 
^/((?:(?x)(?:(?x)(?:[A-Za-z:_] | [\xC0-\xD6]| [\xD8-\xF6] | [\xF8-\x{2FF}]... 
                    ^

怎麼了？

爪哇6

來源

2015-04-14 Stephan

看到這個http://stackoverflow.com/questions/3613759/x-escape-in-java –

這是我如何解決我的問題：

String regex = "(?x)" + 
     "(?:" + 
     "[A-Za-z:_]  |" + 
     "[\\xC0-\\xD6]  |" + 
     "[\\xD8-\\xF6]  |" + 
     "[\\xF8-\\u02FF] |" + 
     "[\\u0370-\\u037D] |" + 
     "[\\u037F-\\u1FFF] |" + 
     "[\\u200C-\\u200D] |" + 
     "[\\u2070-\\u218F] |" + 
     "[\\u2C00-\\u2FEF] |" + 
     "[\\u3001-\\uD7FF] |" + 
     "[\\uF900-\\uFDCF] |" + 
     "[\\uFDF0-\\uFFFD] |" + 
     "[\ud800\udc00-\udb7f\udfff]" + 
)";

感謝您的幫助球員。

參考：

Unicode code points > \uFFFF in string literals (regex)?

來源

2015-04-14 15:03:57 Stephan

的BNF圖表僅適用於爪哇7以上。對於Java 6，Java RegExp，\x預計只有兩個十六進制數字，不多也不少。如果您需要匹配Unicode，請使用\u，後跟正好四個十六進制數字。

在你的情況，這將是... [\xF8-\u02FF] ...等

這樣做的原因是，Java的正則表達式不使用模式作爲字符的佔位符。相反，Java編譯器會創建Unicode代碼點並將其收集到Unicode字符串中，然後將其傳遞給RegExp工具。因此，正則表達式工具永遠不會看到\x或\u（這也是爲什麼你對這個評論編譯錯誤的原因：// See c:\User\...）

對於Unicode代碼點>0xFFFF，你需要使用surrogate pairs。您可以使用Character.toChars()創建它們。 Character.toChars(0x10000)創建代表\\x{10000}的兩個char。

來源

2015-04-14 14:39:07

你有這個翻譯任何線索：' [\\ x {10000} - \\ x {EFFFF}]'？ – Stephan

這些代碼不映射到16位Unicode代碼點。您將需要使用名爲「[代理對]（http://docs.oracle.com/javase/7/docs/api/java/lang/Character.html#unicode）」的東西。您可以使用'Character.toChars（0x10000）'來創建兩個代表'\\ x {10000}'的char。 –

的\x{h...h}符號，用大括號和十六進制數字的非固定數量的，沒有添加到java.util.regex.Pattern直到爪哇7：

（搜索該頁面\x{。只有後者環節都有它。）

相反，你會需要使用\uhhhh表示法：[\\xF8-\\u02FF]。

然而，\uhhhh表示UTF-16編碼單元，即一個Java char，而不是一個完整的Unicode代碼點，因此您的正則表達式的最後一部分— [\\x{10000}-\\x{EFFFF}] —是棘手的翻譯。我認爲Java 6正則表達式完全依賴於代碼單元，因此您實際上需要將它視爲兩個代碼單元：[\\uD800-\\uDB7F][\\uDC00-\\uDFFF]（其中[\\uD800-\\uDB7F]是「高」代理的相關子範圍，而[\\uDC00-\\uDFFF]是整個範圍的「低「替代品;幸運的是，U + EFFFF在一系列代碼點的末尾以相同的高代理出現，否則你需要做更復雜的事情）。（免責聲明：未經測試。）

來源

2015-04-14 14:39:18 ruakh

你有翻譯這個的解決方案嗎：'[\\ x {10000} - \\ x {EFFFF}]'？ – Stephan

@Stephan：我不確定。我已經編輯了我的答案以提供可能的解決方案，但我沒有對其進行測試。 – ruakh

我發現了一個和我一樣有同樣問題的人。我在這裏找到了他的解決方案：http://groovy.329449.n5.nabble.com/Unicode-code-points-gt-uFFFF-in-string-literals-regex-td5105310.html。儘管感謝您的幫助;） – Stephan

如何在沒有Java 7的正則表達式字符串中匹配大於\ uFFFF的Unicode代碼點？

回答

相關問題