Когда это делает. не совпадают в Regex?

Я столкнулся со следующей проблемой (упрощенной). Я написал следующее

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

При чтении одной строки совпадение не совпало, даже если оно начиналось с "Рис. Я проследил проблему до типа изгоев в следующей части строки. Он имел значение кодовой точки 1633 из

(int) charAt(i)

но не соответствует регулярному выражению. Я думаю, что это связано с кодировкой, отличной от UTF-8, где-то во входном процессе.

Javadocs говорят:

Предопределенные классы символов, Любой символ (может или не может совпадать с терминаторами строк)

Предположительно, это не символ в строгом смысле слова, но он все еще является частью строки. Как определить эту проблему?

ОБНОВЛЕНИЕ: Это было связано с (char) 10, что было нелегко заметить. Мой диагноз выше неправильный, и все ответы ниже соответствуют заданному вопросу и полезны.

Ответ 1

Символ . в регулярном выражении Java соответствует любому символу, кроме терминаторов строк, если вы не используете флаг Pattern.DOTALL при компиляции вашего шаблона.

Чтобы сделать это, вы должны использовать шаблон таким образом:

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

Ответ 2

Достаточно легко проверить это:

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);
            }
        }
    }
}

В моем поле выводится:

Из них 10 и 13 - "\n" и "\ r" соответственно. 133 (U + 0085) является "следующей строкой", 8232 (U + 2028) является "разделителем строк", а 8233 (U + 2029) является "разделителем абзаца".

Обратите внимание, что:

Это не проверяет символы Юникода за пределами базовой многоязычной плоскости.
Он использует только параметры по умолчанию
Кажется, это противоречит вашему опыту характера 1633 (U + 0661)

Ответ 3

В соответствии с документацией . может иметь 3 несколько разных интерпретации в зависимости от флагов.

По умолчанию

. исключает ограничители строк, когда DOTALL и UNIX_LINES отключены (по умолчанию):

Терминатор линии представляет собой одно- или двухсимвольную последовательность, которая отмечает конец строки входной последовательности символов. Следующие термины распознаются как терминаторы линий:

Символ новой строки (строка) ('\n'),

Символ возврата каретки, за которым сразу следует символ новой строки ("\r\n"),

Автономный символ возврата каретки ('\r'),

Следующий символ ('\u0085'),

Символ разделителя строк ('\u2028') или

Символ разделителя абзаца ('\u2029').

Это означает, что . эквивалентно [^\n\r\u0085\u2028\u2029] в этом случае.

Когда режим `UNIX_LINES` включен, но режим `DOTALL` отключен

. исключает только \n, когда включен UNIX_LINES, но DOTALL отключен. Это означает, что . эквивалентно [^\n] в этом случае.

Если активирован UNIX_LINES, то единственными признанными терминаторами линии являются символы новой строки.

Когда включен режим `DOTALL`

Если режим DOTALL включен, . будет соответствовать любому символу без исключения.

Регулярное выражение . соответствует любому символу, кроме терминатора строки, если не указан флаг DOTALL.

Ответ 4

О работе с символами, не печатающими регулярные выражения, вы можете прочитать эти две статьи:

Есть много сюрпризов, даже если вы работаете именно с UTF.