ホワイトスペースマッチング正規表現-Java

正規表現用のJava APIは、\s空白に一致すると述べています。したがって、正規表現\\s\\sは2つのスペースに一致する必要があります。

Pattern whitespace = Pattern.compile("\\s\\s");
matcher = whitespace.matcher(modLine);
while (matcher.find()) matcher.replaceAll(" ");

この目的は、2つの連続する空白のすべてのインスタンスを1つのスペースに置き換えることです。ただし、これは実際には機能しません。

正規表現または「ホワイトスペース」という用語について重大な誤解がありますか？

ええ、あなたはの結果をつかむ必要がありますmatcher.replaceAll()：

String result = matcher.replaceAll(" ");
System.out.println(result);

\sJavaは、独自のネイティブ文字セットの空白と一致させるために使用できません。これは、JavaがUnicodeの空白のプロパティをサポートしていないためです。 それが持っているものは、残念ながら標準に準拠していません。

Unicodeは26のコードポイントを次のように定義しています。\p{White_Space}そのうちの20はさまざまな種類の\pZ GeneralCategory = Separatorで、残りの6つは\p{Cc} GeneralCategory = Controlです。

ホワイトスペースはかなり安定した特性であり、それらと同じものが実質的に永遠に存在しています。それでも、JavaにはこれらのUnicode標準に準拠するプロパティがないため、代わりに次のようなコードを使用する必要があります。

String whitespace_chars =  ""       /* dummy empty string for homogeneity */
                        + "\\u0009" // CHARACTER TABULATION
                        + "\\u000A" // LINE FEED (LF)
                        + "\\u000B" // LINE TABULATION
                        + "\\u000C" // FORM FEED (FF)
                        + "\\u000D" // CARRIAGE RETURN (CR)
                        + "\\u0020" // SPACE
                        + "\\u0085" // NEXT LINE (NEL) 
                        + "\\u00A0" // NO-BREAK SPACE
                        + "\\u1680" // OGHAM SPACE MARK
                        + "\\u180E" // MONGOLIAN VOWEL SEPARATOR
                        + "\\u2000" // EN QUAD 
                        + "\\u2001" // EM QUAD 
                        + "\\u2002" // EN SPACE
                        + "\\u2003" // EM SPACE
                        + "\\u2004" // THREE-PER-EM SPACE
                        + "\\u2005" // FOUR-PER-EM SPACE
                        + "\\u2006" // SIX-PER-EM SPACE
                        + "\\u2007" // FIGURE SPACE
                        + "\\u2008" // PUNCTUATION SPACE
                        + "\\u2009" // THIN SPACE
                        + "\\u200A" // HAIR SPACE
                        + "\\u2028" // LINE SEPARATOR
                        + "\\u2029" // PARAGRAPH SEPARATOR
                        + "\\u202F" // NARROW NO-BREAK SPACE
                        + "\\u205F" // MEDIUM MATHEMATICAL SPACE
                        + "\\u3000" // IDEOGRAPHIC SPACE
                        ;        
/* A \s that actually works for Java’s native character set: Unicode */
String     whitespace_charclass = "["  + whitespace_chars + "]";    
/* A \S that actually works for  Java’s native character set: Unicode */
String not_whitespace_charclass = "[^" + whitespace_chars + "]";

これでwhitespace_charclass + "+"、のパターンとして使用できますreplaceAll。

申し訳ありませんが、そのすべて。Javaの正規表現は、それ自体のネイティブ文字セットではうまく機能しないため、エキゾチックなフープを飛び越えて機能させる必要があります。

あなたは空白が悪いだと思うなら、あなたはあなたが得るために何をすべきか見るべきである\wと\b最終的には、適切に動作するように！

はい、それは可能です、そしてはい、それは非常に厄介な混乱です。それも慈善活動です。Javaの標準準拠の正規表現ライブラリを取得する最も簡単な方法は、JNIをICUのものに置き換えることです。OraSunは対応していません。

あなたがそれをしたくないがそれでもJavaを使いたい場合は、少なくともUTSのRL1.2aの要件に準拠させるためにJavaのパターンを「修正」するために書いたフロントエンドの正規表現書き換えライブラリがあります＃18、Unicode正規表現。

Java（php、javascript、その他）の場合：

txt.replaceAll("\\p{javaSpaceChar}{2,}"," ")

Regexbuddy（regex開発者アプリケーション）フォーラムに質問を送信すると、Javaの質問に対してより正確な回答が得られました。

「メッセージ作成者：Jan Goyvaerts

Javaでは、省略形の\ s、\ d、および\ wにはASCII文字のみが含まれます。...これはJavaのバグではありませんが、正規表現を操作するときに注意する必要がある多くのことの1つにすぎません。すべてのUnicode空白と改行を一致させるには、Javaで[\ s \ p {Z}]を使用できます。RegexBuddyは、\ p {javaSpaceChar}（[\ s \ p {Z}]とまったく同じ文字に一致する）などのJava固有のプロパティをまだサポートしていません。

...入力がASCIIのみの場合、\ s \ sは2つのスペースに一致します。本当の問題はOPのコードにあり、その質問で受け入れられた回答で指摘されています。」

私のために働くようです：

String s = "  a   b      c";
System.out.println("\""  + s.replaceAll("\\s\\s", " ") + "\"");

印刷されます：

" a  b   c"

コードの代わりにこれを行うつもりだったと思います：

Pattern whitespace = Pattern.compile("\\s\\s");
Matcher matcher = whitespace.matcher(s);
String result = "";
if (matcher.find()) {
    result = matcher.replaceAll(" ");
}

System.out.println(result);

あなたの目的のために、あなたはこのスニペットを使うことができます：

import org.apache.commons.lang3.StringUtils;

StringUtils.normalizeSpace(string);

これにより、間隔が1つに正規化され、開始と終了の空白も削除されます。

String sampleString = "Hello    world!";
sampleString.replaceAll("\\s{2}", " "); // replaces exactly two consecutive spaces
sampleString.replaceAll("\\s{2,}", " "); // replaces two or more consecutive white spaces

Pattern whitespace = Pattern.compile("\\s\\s");
matcher = whitespace.matcher(modLine);

boolean flag = true;
while(flag)
{
 //Update your original search text with the result of the replace
 modLine = matcher.replaceAll(" ");
 //reset matcher to look at this "new" text
 matcher = whitespace.matcher(modLine);
 //search again ... and if no match , set flag to false to exit, else run again
 if(!matcher.find())
 {
 flag = false;
 }
}

この問題が最初に取り上げられて以来、Javaは進化してきました。\p{Zs}グループを使用すると、あらゆる種類のUnicodeスペース文字を照合できます。

したがって、1つ以上のエキゾチックなスペースをプレーンなスペースに置き換える場合は、次のようにします。

String txt = "whatever my string is";
txt.replaceAll("\\p{Zs}+", " ")

また知っておく価値、あなたが使用した場合trim()、あなたは（比較的新しい）を見てみる必要がある文字列関数をstrip()、stripLeading()と、stripTrailing()文字列の機能。を使用すると、あらゆる種類の空白文字を切り取ることができます。含まれるスペースの詳細については、JavaのCharacter.isWhitespace()関数を参照してください。

REでの空白の使用は苦痛ですが、私はそれらがうまくいくと信じています。OPの問題は、StringTokenizerまたはsplit（）メソッドを使用して解決することもできます。ただし、REを使用するには（println（）のコメントを外して、マッチャーが文字列を分割している方法を確認します）、サンプルコードを次に示します。

import java.util.regex.*;

public class Two21WS {
    private String  str = "";
    private Pattern pattern = Pattern.compile ("\\s{2,}");  // multiple spaces

    public Two21WS (String s) {
            StringBuffer sb = new StringBuffer();
            Matcher matcher = pattern.matcher (s);
            int startNext = 0;
            while (matcher.find (startNext)) {
                    if (startNext == 0)
                            sb.append (s.substring (0, matcher.start()));
                    else
                            sb.append (s.substring (startNext, matcher.start()));
                    sb.append (" ");
                    startNext = matcher.end();
                    //System.out.println ("Start, end = " + matcher.start()+", "+matcher.end() +
                    //                      ", sb: \"" + sb.toString() + "\"");
            }
            sb.append (s.substring (startNext));
            str = sb.toString();
    }

    public String toString () {
            return str;
    }

    public static void main (String[] args) {
            String tester = " a    b      cdef     gh  ij   kl";
            System.out.println ("Initial: \"" + tester + "\"");
            System.out.println ("Two21WS: \"" + new Two21WS(tester) + "\"");
}}

以下を生成します（javacでコンパイルし、コマンドプロンプトで実行します）。

％java Two21WS Initial： "ab cdef gh ij kl" Two21WS： "ab cdef gh ij kl"