源代码
我下面讨论的重写功能的源代码可在此处获得。
Java 7中的更新
Sun的
PatternJDK7更新类有一个很棒的新标志
UNICODE_CHARACTER_CLASS，它使一切重新正常运行。它可以作为(?U)模式内部的可嵌入对象使用，因此你也可以将其与String类的包装器一起使用。它还针对其他各种属性修改了定义。现在跟踪
Unipre标准，在这两个RL1.2和RL1.2a从UTS＃18：Unipre的正则表达式。这是一个令人兴奋的巨大进步，开发团队的这一重要努力值得称赞。
Java的Regex Unipre问题
使用Java正则表达式的问题是，Perl的1.0 charclass将逃逸-这意味着
w，
b，
s，
d和它们的补-不是Java扩展工作使用
Unipre。其中
b只有一个具有某些扩展的语义，但是它们既不映射
w到
Unipre标识符，也不映射到
Unipre换行属性。
此外，以这种方式访问Java中的POSIX属性：
POSIX syntax Java syntax[[:Lower:]] p{Lower}[[:Upper:]] p{Upper}[[:ASCII:]] p{ASCII}[[:Alpha:]] p{Alpha}[[:Digit:]] p{Digit}[[:Alnum:]] p{Alnum}[[:Punct:]] p{Punct}[[:Graph:]] p{Graph}[[:Print:]] p{Print}[[:Blank:]] p{Blank}[[:Cntrl:]] p{Cntrl}[[:XDigit:]] p{XDigit}[[:Space:]] p{Space}这是一个真正的混乱，因为这意味着一些事情，如
Alpha，
Lower和
Space做的不是在
Java中映射为
Unipre Alphabetic，
Lowercase或
Whitespace性质。这真是令人讨厌。Java的
Unipre属性严格地是
antemillennial，这意味着我不支持过去十年来出现的
Unipre属性。
无法正确谈论空白是一件令人讨厌的事情。请考虑下表。对于每个代码点，Java都有一个J结果列，Perl或任何其他基于PCRE的正则表达式引擎都有一个P结果列：
Regex 001A 0085 00A0 2029J P J P J P J P s 1 1 0 1 0 1 0 1 pZ 0 0 0 0 1 1 1 1 p{Zs} 0 0 0 0 1 1 0 0 p{Space} 1 1 0 1 0 1 0 1 p{Blank} 0 0 0 0 0 1 0 0 p{Whitespace} - 1 - 1 - 1 - 1p{javaWhitespace} 1 - 0 - 0 - 1 - p{javaSpaceChar} 0 - 0 - 1 - 1 -看到那个吗？
实际上，根据Unipre，这些Java空格结果中的每一个都是“ ̲”。这是一个很大的问题。 Java只是一团糟，根据现有惯例以及根据Unipre，给出的答案都是“错误的”。另外，Java甚至都不允许你访问真正的Unipre属性！实际上，Java不支持与Unipre空格相对应的任何属性。
所有这些问题的解决方案，以及更多
为了解决这个问题以及其他许多相关问题，昨天我编写了一个Java函数来重写模式字符串，该模式字符串重写了这14个charclass转义：
w W s S v V h H d D b B X R
通过以一种可预测且一致的方式将其替换为与Unipre匹配的实际工作来代替它们。它只是单个hack会话中的一个alpha原型，但功能完全正常。
简而言之，我的代码如下重写了这14个代码：
s => [u0009-u000Du0020u0085u00A0u1680u180Eu2000-u200Au2028u2029u202Fu205Fu3000]S => [^u0009-u000Du0020u0085u00A0u1680u180Eu2000-u200Au2028u2029u202Fu205Fu3000]v => [u000A-u000Du0085u2028u2029]V => [^u000A-u000Du0085u2028u2029]h => [u0009u0020u00A0u1680u180Eu2000-u200Au202Fu205Fu3000]H => [^u0009u0020u00A0u1680u180Eu2000u2001-u200Au202Fu205Fu3000]w => [pLpMp{Nd}p{Nl}p{Pc}[p{InEnclosedAlphanumerics}&&p{So}]]W => [^pLpMp{Nd}p{Nl}p{Pc}[p{InEnclosedAlphanumerics}&&p{So}]]b => (?:(?<=[pLpMp{Nd}p{Nl}p{Pc}[p{InEnclosedAlphanumerics}&&p{So}]])(?![pLpMp{Nd}p{Nl}p{Pc}[p{InEnclosedAlphanumerics}&&p{So}]])|(?<![pLpMp{Nd}p{Nl}p{Pc}[p{InEnclosedAlphanumerics}&&p{So}]])(?=[pLpMp{Nd}p{Nl}p{Pc}[p{InEnclosedAlphanumerics}&&p{So}]]))B => (?:(?<=[pLpMp{Nd}p{Nl}p{Pc}[p{InEnclosedAlphanumerics}&&p{So}]])(?=[pLpMp{Nd}p{Nl}p{Pc}[p{InEnclosedAlphanumerics}&&p{So}]])|(?<![pLpMp{Nd}p{Nl}p{Pc}[p{InEnclosedAlphanumerics}&&p{So}]])(?![pLpMp{Nd}p{Nl}p{Pc}[p{InEnclosedAlphanumerics}&&p{So}]]))d => p{Nd}D => P{Nd}R => (?:(?>u000Du000A)|[u000Au000Bu000Cu000Du0085u2028u2029])X => (?>PMpM*)一些要考虑的事情…
- 该
X
定义使用了Unipre现在称为传统字素簇而不是扩展字素簇的定义，因为后者更为复杂。Perl本身现在使用的是高级版本，但是对于大多数常见情况，旧版本仍然可以完美使用。编辑：请参阅底部的附录。 - 该做什么
d
取决于你的意图，但默认值为Uniode定义。我看到人们并不总是想要p{Nd}，但有时[0-9]
还是想要pN
。 - 专门编写了两个边界定义
b
和B
，以使用该w
定义。 - 该
w
定义过于宽泛，因为它抓住了赦免字母，而不仅仅是带圆圈的字母。Unipre Other_Alphabetic
属性直到JDK7才可用，所以这是你可以做的最好的事情。
探索边界
边界已自从拉里·沃尔首先创造了一个问题
b和
B语法在1987年谈论他们对Perl 1.0后面的关键是了解如何
b与
B这两个工作是打消她们两分无孔不入的神话：
- 他们永远只能找了
w
字的字符，从来没有对非单词字符。 - 他们没有专门寻找字符串的边缘。
一个
b边界的机构：
IF does follow word THEN doesn't precede word ELSIF doesn't follow word THEN does precede word
所有这些都直接定义为：
- 跟随单词
is (?<=w)
。 - 单词是之前
(?=w)
。 - 没有遵循单词
is (?<!w)
。 - 之前没有字的
(?!w)
。
因此，由于IF-THEN被编码为and ED-一起AB在正则表达式，一个or是X|Y，并且因为and是在优先级高于or，即简单地AB|CD。因此，所有b这意味着可以用以下方法安全地替换边界：
(?:(?<=w)(?!w)|(?<!w)(?=w))
用
w适当的方式定义。
（你可能会觉得A和C组件是对立的，这很奇怪。在一个完美的世界中，你应该能够编写该代码AB|D，但是有一段时间我一直在追踪Unipre属性中的互斥矛盾-我认为我已经注意了，但我把双重条件留在了边界，以防万一。另外，如果以后有更多的想法，它也可以扩展。
对于
B非边界，逻辑为：
IF does follow word THEN does precede word ELSIF doesn't follow word THEN doesn't precede word
允许将的所有实例
B替换为：
(?:(?<=w)(?=w)|(?<!w)(?!w))
这确实是怎样
b和
B行为方式。它们的等效模式是
b
使用的((IF)THEN|ELSE)
构造是(?(?<=w)(?!w)|(?=w))
B
使用的((IF)THEN|ELSE)
构造是(?(?=w)(?<=w)|(?<!w))
但是只要使用版本就AB|CD可以了，特别是如果你的正则表达式语言（例如Java）缺少条件模式时。
我已经使用测试套件检查了所有三个等效定义，验证了边界的行为，该套件每次运行检查110,385,408个匹配项，并且根据以下十个不同的数据配置运行了该测试套件：
0 .. 7F the ASCII range 80 .. FF the non-ASCII Latin1 range 100 .. FFFF the non-Latin1 BMP (Basic Multilingual Plane) range 10000 .. 10FFFF the non-BMP portion of Unipre (the "astral" planes)
但是，人们通常希望使用另一种边界。他们想要一些空格和字符串边缘感知的东西：
- 左边缘 为
(?:(?<=^)|(?<=s))
- 右边缘为
(?=$|s)
|
用Java修复Java
我在其他答案中发布的代码提供了此功能，并提供了许多其他便利。其中包括自然语言单词，破折号，连字符和撇号的定义，以及更多定义。
它还允许你在逻辑代码点中指定Unipre字符，而不是在惯用的UTF-16替代中指定。很难强调这有多重要！那只是为了字符串扩展。
要进行正则表达式charclass替换，使Java regexes中的charclass 最终可以在Unipre上正常工作，请从此处 获取完整的源代码。 当然，你可以随便使用它。如果你对此进行了修复，我很想听听它，但你不必这样做。很短 正则表达式的主要重写功能很简单：
switch (pre_point) { case 'b': newstr.append(boundary); break; case 'B': newstr.append(not_boundary); break; case 'd': newstr.append(digits_charclass); break; case 'D': newstr.append(not_digits_charclass); break; case 'h': newstr.append(horizontal_whitespace_charclass); break; case 'H': newstr.append(not_horizontal_whitespace_charclass); break; case 'v': newstr.append(vertical_whitespace_charclass); break; case 'V': newstr.append(not_vertical_whitespace_charclass); break; case 'R': newstr.append(linebreak); break; case 's': newstr.append(whitespace_charclass); break; case 'S': newstr.append(not_whitespace_charclass); break; case 'w': newstr.append(identifier_charclass); break; case 'W': newstr.append(not_identifier_charclass); break; case 'X': newstr.append(legacy_grapheme_cluster); break; default: newstr.append('\'); newstr.append(Character.toChars(pre_point)); break; }saw_backslash = false;无论如何，这些代码只是一个alpha版本，这是我在周末破解的内容。不会那样的。
对于Beta版，我打算：
- 将代码重复折叠在一起
- 提供关于转义字符串转义与增加正则表达式转义的更清晰的界面
- 为
d
扩展提供了一些灵活性，也许b
- 提供方便的方法来处理转身并为你调用Pattern.compile或String.matches或诸如此类的东西
对于生产版本，它应该具有javadoc和一个JUnit测试套件。我可能包括我的gigatester，但它不是JUnit测试编写的。
附录
我有好消息，也有坏消息。
好消息是，我现在已经非常接近扩展的字素簇，可以用来进行改进X。
坏消息☺是这种模式是：
(?:(?:u000Du000A)|(?:[u0E40u0E41u0E42u0E43u0E44u0EC0u0EC1u0EC2u0EC3u0EC4uAAB5uAAB6uAAB9uAABBuAABC]*(?:[u1100-u115FuA960-uA97C]+|([u1100-u115FuA960-uA97C]*((?:[[u1160-u11A2uD7B0-uD7C6][uAC00uAC1CuAC38]][u1160-u11A2uD7B0-uD7C6]*|[uAC01uAC02uAC03uAC04])[u11A8-u11F9uD7CB-uD7FB]*))|[u11A8-u11F9uD7CB-uD7FB]+|[^[p{Zl}p{Zp}p{Cc}p{Cf}&&[^u000Du000Au200Cu200D]]u000Du000A])[[p{Mn}p{Me}u200Cu200Du0488u0489u20DDu20DEu20DFu20E0u20E2u20E3u20E4uA670uA671uA672uFF9EuFF9F][p{Mc}u0E30u0E32u0E33u0E45u0EB0u0EB2u0EB3]]*)|(?s:.))在Java中，你将其编写为：
String extended_grapheme_cluster = "(?:(?:\u000D\u000A)|(?:[\u0E40\u0E41\u0E42\u0E43\u0E44\u0EC0\u0EC1\u0EC2\u0EC3\u0EC4\uAAB5\uAAB6\uAAB9\uAABB\uAABC]*(?:[\u1100-\u115F\uA960-\uA97C]+|([\u1100-\u115F\uA960-\uA97C]*((?:[[\u1160-\u11A2\uD7B0-\uD7C6][\uAC00\uAC1C\uAC38]][\u1160-\u11A2\uD7B0-\uD7C6]*|[\uAC01\uAC02\uAC03\uAC04])[\u11A8-\u11F9\uD7CB-\uD7FB]*))|[\u11A8-\u11F9\uD7CB-\uD7FB]+|[^[\p{Zl}\p{Zp}\p{Cc}\p{Cf}&&[^\u000D\u000A\u200C\u200D]]\u000D\u000A])[[\p{Mn}\p{Me}\u200C\u200D\u0488\u0489\u20DD\u20DE\u20DF\u20E0\u20E2\u20E3\u20E4\uA670\uA671\uA672\uFF9E\uFF9F][\p{Mc}\u0E30\u0E32\u0E33\u0E45\u0EB0\u0EB2\u0EB3]]*)|(?s:.))";
