Почему \ S + с границами не извлекает непространственные символы? [Дубликат]

Я столкнулся с еще более серьезной проблемой при поиске текста для таких слов, как .NET, C++, C# и C. Вы могли бы подумать, что программисты будут лучше знать, чем назвать язык, что трудно написать для регулярных выражений.

В любом случае, это то, что я узнал (в основном обобщенный из http: // www.regular-expressions.info , который является отличным сайтом): В большинстве вариантов регулярного выражения символы, которые сопоставляются с коротким символьным классом \w, являются символами, которые рассматриваются как словавые символы по слову границы. Java является исключением. Java поддерживает Unicode для \b, но не для \w. (Я уверен, что в то время была веская причина).

\w означает «символ слова». Он всегда соответствует символам ASCII [A-Za-z0-9_]. Обратите внимание на включение подчеркивания и цифр (но не тире!). В большинстве вариантов, поддерживающих Unicode, \w содержит много символов из других скриптов. Существует много несогласованности относительно того, какие символы фактически включены. Буквы и цифры из алфавитных сценариев и идеографов, как правило, включены. Пунктуация соединителя, отличная от символа подчеркивания, и числовые символы, которые не являются цифрами, могут быть включены или не включены. XML Schema и XPath даже включают все символы в \w. Но Java, JavaScript и PCRE соответствуют только символам ASCII с \w.

Именно поэтому Java-регулярное выражение ищет C++, C# или .NET (даже если вы помните, чтобы избежать период и плюсы) прикручиваются \b.

Примечание. Я не уверен, что делать с ошибками в тексте, например, когда кто-то не помещает пробел после периода в конце предложения. Я разрешал это, но я не уверен, что это обязательно правильно.

В любом случае, на Java, если вы ищете текст для этих странных языков, вам нужно заменить \b с символами пробела и препинания до и после. Например:

public static String grep(String regexp, String multiLineStringToSearch) {
    String result = "";
    String[] lines = multiLineStringToSearch.split("\\n");
    Pattern pattern = Pattern.compile(regexp);
    for (String line : lines) {
        Matcher matcher = pattern.matcher(line);
        if (matcher.find()) {
            result = result + "\n" + line;
        }
    }
    return result.trim();
}

Затем в тестовой или основной функции:

    String beforeWord = "(\\s|\\.|\\,|\\!|\\?|\\(|\\)|\\'|\\\"|^)";   
    String afterWord =  "(\\s|\\.|\\,|\\!|\\?|\\(|\\)|\\'|\\\"|$)";
    text = "Programming in C, (C++) C#, Java, and .NET.";
    System.out.println("text="+text);
    // Here is where Java word boundaries do not work correctly on "cutesy" computer language names.  
    System.out.println("Bad word boundary can't find because of Java: grep with word boundary for .NET="+ grep("\\b\\.NET\\b", text));
    System.out.println("Should find: grep exactly for .NET="+ grep(beforeWord+"\\.NET"+afterWord, text));
    System.out.println("Bad word boundary can't find because of Java: grep with word boundary for C#="+ grep("\\bC#\\b", text));
    System.out.println("Should find: grep exactly for C#="+ grep("C#"+afterWord, text));
    System.out.println("Bad word boundary can't find because of Java:grep with word boundary for C++="+ grep("\\bC\\+\\+\\b", text));
    System.out.println("Should find: grep exactly for C++="+ grep(beforeWord+"C\\+\\+"+afterWord, text));

    System.out.println("Should find: grep with word boundary for Java="+ grep("\\bJava\\b", text));
    System.out.println("Should find: grep for case-insensitive java="+ grep("?i)\\bjava\\b", text));
    System.out.println("Should find: grep with word boundary for C="+ grep("\\bC\\b", text));  // Works Ok for this example, but see below
    // Because of the stupid too-short cutsey name, searches find stuff it shouldn't.
    text = "Worked on C&O (Chesapeake and Ohio) Canal when I was younger; more recently developed in Lisp.";
    System.out.println("text="+text);
    System.out.println("Bad word boundary because of C name: grep with word boundary for C="+ grep("\\bC\\b", text));
    System.out.println("Should be blank: grep exactly for C="+ grep(beforeWord+"C"+afterWord, text));
    // Make sure the first and last cases work OK.

    text = "C is a language that should have been named differently.";
    System.out.println("text="+text);
    System.out.println("grep exactly for C="+ grep(beforeWord+"C"+afterWord, text));

    text = "One language that should have been named differently is C";
    System.out.println("text="+text);
    System.out.println("grep exactly for C="+ grep(beforeWord+"C"+afterWord, text));

    //Make sure we don't get false positives
    text = "The letter 'c' can be hard as in Cat, or soft as in Cindy. Computer languages should not require disambiguation (e.g. Ruby, Python vs. Fortran, Hadoop)";
    System.out.println("text="+text);
    System.out.println("Should be blank: grep exactly for C="+ grep(beforeWord+"C"+afterWord, text));

P.S. Моя благодарность http://regexpal.com/ , без которой мир регулярных выражений был бы очень несчастным!

Проверьте документацию по граничным условиям:

http://java.sun.com/docs/books/tutorial/essential/regex/bounds.html

Проверьте этот пример:

public static void main(final String[] args)
    {
        String x = "I found the value -12 in my string.";
        System.err.println(Arrays.toString(x.split("\\b-?\\d+\\b")));
    }

Когда вы распечатываете его, обратите внимание, что вывод следующий:

[Я нашел значение -, в моей строке .]

Это означает, что символ «-» не воспринимается как находящийся на границе слова, потому что он не считается символом слова. Похоже, что @brianary вроде бы избил меня до удара, так что он получает голосование.

Я говорю о том, что [r2] -строчные границы регулярных выражений на самом деле здесь .

Короче говоря, они условны. Их поведение зависит от того, к чему они относятся.

# same as using a \b before:
(?(?=\w) (?<!\w)  | (?<!\W) )

# same as using a \b after:
(?(?<=\w) (?!\w)  | (?!\W)  )

Иногда это не то, что вы хотите. См. Мой другой ответ для разработки.

Я считаю, что ваша проблема связана с тем, что - не является символом слова. Таким образом, граница слова будет соответствовать после -, и поэтому ее не будет захватывать. Границы слов совпадают перед первым и после последнего слова в строке, а также в любом месте, где перед символом слова или символом, отличным от слова, и после того, как это будет наоборот. Также обратите внимание, что граница слова является совпадением по нулевой ширине.

Возможна одна из возможных альтернатив

(?:(?:^|\s)-?)\d+\b

. Это будет соответствовать любым номерам, начинающимся с символа пробела и необязательной тире, и заканчивая на границе слова. Он также будет соответствовать числу, начинающемуся в начале строки.

В процессе изучения регулярного выражения я действительно застрял в метасимволе, который есть \b. Я действительно не понимал его смысла, когда я спрашивал себя «, что это такое, что это » повторяется. После некоторых попыток с помощью веб-сайта , я смотрю розовые вертикальные черточки в каждом начале слов и в конце слов. В то время я хорошо это понял. Теперь это точно слово (\w) - граница.

Мое мнение - просто для понимания, ориентированного на понимание. Логику его следует изучить из других ответов.

Граница слов может встречаться в одной из трех позиций:

1. Перед первым символом в строке, если первый символ является символом слова.
2. После последнего символа в строке, если последний символ является символом слова.
3. Между двумя символами в строке, где один является символом слова, а другой не является символ слова.

Символы Word являются буквенно-цифровыми; знак минус - нет. Взято из Учебник по регулярному выражению .

Я думаю, что это граница (т. е. символ) последнего совпадения или начало или конец строки.

, когда вы используете \\b(\\w+)+\\b, что означает точное совпадение со словом, содержащим только словальные символы ([a-zA-Z0-9])

в вашем случае, например, установка \\b в начале регулярного выражения примет -12 ( с пробелом), но опять же он не примет -12 (без пробела)

для ссылки на мои слова: https://docs.oracle.com/javase/tutorial/essential/ регулярное выражение / bounds.html