Java 的 Character 类别提供了 isWhitespace 方法,可以用来判断指定的字符是否是空白字符,然而这边判断的空白字符并不单纯只是我们从键盘按下空白键所出现的 (字符值为 32),而是还包括 TAB 字符、换行字符等等会让文字在显示时被空白区域隔开的字符。正则表达式所使用的 javaWhitespace 样本(pattern)的空白字符判断标准与 Character.isWhitespace() 相同,但正则表达式也同时能用 \s 或是 \p{Space} 来判断空白字符,它们到底有什么不同呢?

Character.isWhitespace()

根据 Java 的 API 文档,Character.isWhitespace() 会把下列字符当作是空白字符:

  • 包含在 SPACE_SEPARATOR、LINE_SEPARATOR 和 PARAGRAPH_SEPARATOR 字符集内的字符,除了 \u00A0、\u2007 和 \u202F 之外。
  • 水平定位符号(TAB 字符)\u0009 (\t)。
  • 换行字符 \u000A (\n)。
  • 垂直定位符号 \u000B。
  • 换页字符 \u000C。
  • 回车字符 \u000D (\r)。
  • 文件分隔字符 \u001C。
  • 群组分隔字符 \u001D。
  • 记录分隔字符 \u001E。
  • 单元分隔字符 \u001F。

SPACE_SEPARATOR、LINE_SEPARATOR 和 PARAGRAPH_SEPARATOR 字符集有哪些字符?

利用以下 Java 程序,可以找出 SPACE_SEPARATOR、LINE_SEPARATOR 和 PARAGRAPH_SEPARATOR 字符集中所有的字符。

import java.util.ArrayList;
import java.util.Arrays;

public class WhitespaceCharset {

    public static void appendChar(final StringBuilder sb, char c) {
        sb.append(String.format("\\u%04x ", (int) c));

        final byte[] bytes = new String(new char[]{c}).getBytes();

        sb.append(String.format("%-17s ",Arrays.toString(bytes))).append(' ');

        final int[] ints = new int[bytes.length];

        for (int i = 0; i < bytes.length; ++i) {
            int n = (int) bytes[i];

            if (n < 0) {
                n += 256;
            }

            ints[i] = n;
        }

        sb.append(Arrays.toString(ints)).append('\n');
    }

    public static void main(final String[] args) {
        final ArrayList<Character> alSpaceSeparators = new ArrayList<>();
        final ArrayList<Character> alLineSeparators = new ArrayList<>();
        final ArrayList<Character> alParagraphSeparators = new ArrayList<>();

        for (char ch = Character.MIN_VALUE; ch < Character.MAX_VALUE; ++ch) {
            int chType = Character.getType(ch);
            
            if (Character.SPACE_SEPARATOR == chType) {
                alSpaceSeparators.add(ch);
            } else if (Character.LINE_SEPARATOR == chType) {
                alLineSeparators.add(ch);
            } else if (Character.PARAGRAPH_SEPARATOR == chType) {
                alParagraphSeparators.add(ch);
            }
        }

        final StringBuilder sb = new StringBuilder();

        sb.append("SPACE_SEPARATOR").append('\n');
        alSpaceSeparators.forEach((c) -> appendChar(sb, c));
        
        sb.append('\n').append("LINE_SEPARATOR").append('\n');
        alLineSeparators.forEach((c) -> appendChar(sb, c));
        
        sb.append('\n').append("PARAGRAPH_SEPARATOR").append('\n');
        alParagraphSeparators.forEach((c) -> appendChar(sb, c));

        System.out.println(sb.toString().trim());
    }
}

输出的第一个字段是字符的 16 进制字符值,第二个字段是以 UTF-8 编码之后的 byte 数组,第三个字段是以 UTF-8 编码之后的无号 int 数组。

运行结果如下(会根据 Java 版本不同而有所差异):

SPACE_SEPARATOR
\u0020 [32]               [32]
\u00a0 [-62, -96]         [194, 160]
\u1680 [-31, -102, -128]  [225, 154, 128]
\u180e [-31, -96, -114]   [225, 160, 142]
\u2000 [-30, -128, -128]  [226, 128, 128]
\u2001 [-30, -128, -127]  [226, 128, 129]
\u2002 [-30, -128, -126]  [226, 128, 130]
\u2003 [-30, -128, -125]  [226, 128, 131]
\u2004 [-30, -128, -124]  [226, 128, 132]
\u2005 [-30, -128, -123]  [226, 128, 133]
\u2006 [-30, -128, -122]  [226, 128, 134]
\u2007 [-30, -128, -121]  [226, 128, 135]
\u2008 [-30, -128, -120]  [226, 128, 136]
\u2009 [-30, -128, -119]  [226, 128, 137]
\u200a [-30, -128, -118]  [226, 128, 138]
\u202f [-30, -128, -81]   [226, 128, 175]
\u205f [-30, -127, -97]   [226, 129, 159]
\u3000 [-29, -128, -128]  [227, 128, 128]

LINE_SEPARATOR
\u2028 [-30, -128, -88]   [226, 128, 168]

PARAGRAPH_SEPARATOR
\u2029 [-30, -128, -87]   [226, 128, 169]

所以全部有哪些字符会被判断为空白字符呢?

利用以下 Java 程序,可以找出所有会被判断为空白字符的字符:

import java.util.ArrayList;
import java.util.Arrays;

public class Whitespace {

    public static void appendChar(final StringBuilder sb, char c) {
        sb.append(String.format("\\u%04x ", (int) c));

        final byte[] bytes = new String(new char[]{c}).getBytes();

        sb.append(String.format("%-17s ", Arrays.toString(bytes))).append(' ');

        final int[] ints = new int[bytes.length];

        for (int i = 0; i < bytes.length; ++i) {
            int n = (int) bytes[i];

            if (n < 0) {
                n += 256;
            }

            ints[i] = n;
        }

        sb.append(Arrays.toString(ints)).append('\n');
    }

    public static void main(String[] args) {
        final ArrayList<Character> alWhiteSpaces = new ArrayList<>();

        for (char ch = Character.MIN_VALUE; ch < Character.MAX_VALUE; ++ch) {
            if (Character.isWhitespace(ch)) {
                alWhiteSpaces.add(ch);
            }
        }

        final StringBuilder sb = new StringBuilder();

        alWhiteSpaces.forEach((c) -> appendChar(sb, c));

        System.out.println(sb.toString().trim());
    }
}

输出的第一个字段是字符的 16 进制字符值,第二个字段是以 UTF-8 编码之后的 byte 数组,第三个字段是以 UTF-8 编码之后的无号 int 数组。

运行结果如下(会根据 Java 版本不同而有所差异):

\u0009 [9]                [9]
\u000a [10]               [10]
\u000b [11]               [11]
\u000c [12]               [12]
\u000d [13]               [13]
\u001c [28]               [28]
\u001d [29]               [29]
\u001e [30]               [30]
\u001f [31]               [31]
\u0020 [32]               [32]
\u1680 [-31, -102, -128]  [225, 154, 128]
\u180e [-31, -96, -114]   [225, 160, 142]
\u2000 [-30, -128, -128]  [226, 128, 128]
\u2001 [-30, -128, -127]  [226, 128, 129]
\u2002 [-30, -128, -126]  [226, 128, 130]
\u2003 [-30, -128, -125]  [226, 128, 131]
\u2004 [-30, -128, -124]  [226, 128, 132]
\u2005 [-30, -128, -123]  [226, 128, 133]
\u2006 [-30, -128, -122]  [226, 128, 134]
\u2008 [-30, -128, -120]  [226, 128, 136]
\u2009 [-30, -128, -119]  [226, 128, 137]
\u200a [-30, -128, -118]  [226, 128, 138]
\u2028 [-30, -128, -88]   [226, 128, 168]
\u2029 [-30, -128, -87]   [226, 128, 169]
\u205f [-30, -127, -97]   [226, 129, 159]
\u3000 [-29, -128, -128]  [227, 128, 128]

正则表达式匹配的空白字符

运行以下 Java 程序,即可分别找出所有会被 \s、\p{Space} 和 \p{javaWhitespace} 匹配的字符:

import java.util.ArrayList;
import java.util.Arrays;
import java.util.regex.Pattern;

public class WhitespaceRegex {

    public static void appendChar(final StringBuilder sb, char c) {
        sb.append(String.format("\\u%04x ", (int) c));

        final byte[] bytes = new String(new char[]{c}).getBytes();

        sb.append(String.format("%-17s ", Arrays.toString(bytes))).append(' ');

        final int[] ints = new int[bytes.length];

        for (int i = 0; i < bytes.length; ++i) {
            int n = (int) bytes[i];

            if (n < 0) {
                n += 256;
            }

            ints[i] = n;
        }

        sb.append(Arrays.toString(ints)).append('\n');
    }

    public static void main(String[] args) {
        final ArrayList<Character> alP1 = new ArrayList<>();
        final ArrayList<Character> alP2 = new ArrayList<>();
        final ArrayList<Character> alP3 = new ArrayList<>();

        final Pattern p1 = Pattern.compile("\\s");
        final Pattern p2 = Pattern.compile("\\p{Space}");
        final Pattern p3 = Pattern.compile("\\p{javaWhitespace}");

        for (char ch = Character.MIN_VALUE; ch < Character.MAX_VALUE; ++ch) {
            if (p1.matcher(new String(new char[]{ch})).find()) {
                alP1.add(ch);
            }
            if (p2.matcher(new String(new char[]{ch})).find()) {
                alP2.add(ch);
            }
            if (p3.matcher(new String(new char[]{ch})).find()) {
                alP3.add(ch);
            }
        }

        final StringBuilder sb = new StringBuilder();

        sb.append("\\s").append('\n');
        alP1.forEach((c) -> appendChar(sb, c));

        sb.append('\n').append("\\p{Space}").append('\n');
        alP2.forEach((c) -> appendChar(sb, c));

        sb.append('\n').append("\\p{javaWhitespace}").append('\n');
        alP3.forEach((c) -> appendChar(sb, c));

        System.out.println(sb.toString().trim());
    }
}

输出的第一个字段是字符的 16 进制字符值,第二个字段是以 UTF-8 编码之后的 byte 数组,第三个字段是以 UTF-8 编码之后的无号 int 数组。

运行结果如下(会根据 Java 版本不同而有所差异):

\s
\u0009 [9]                [9]
\u000a [10]               [10]
\u000b [11]               [11]
\u000c [12]               [12]
\u000d [13]               [13]
\u0020 [32]               [32]

\p{Space}
\u0009 [9]                [9]
\u000a [10]               [10]
\u000b [11]               [11]
\u000c [12]               [12]
\u000d [13]               [13]
\u0020 [32]               [32]

\p{javaWhitespace}
\u0009 [9]                [9]
\u000a [10]               [10]
\u000b [11]               [11]
\u000c [12]               [12]
\u000d [13]               [13]
\u001c [28]               [28]
\u001d [29]               [29]
\u001e [30]               [30]
\u001f [31]               [31]
\u0020 [32]               [32]
\u1680 [-31, -102, -128]  [225, 154, 128]
\u180e [-31, -96, -114]   [225, 160, 142]
\u2000 [-30, -128, -128]  [226, 128, 128]
\u2001 [-30, -128, -127]  [226, 128, 129]
\u2002 [-30, -128, -126]  [226, 128, 130]
\u2003 [-30, -128, -125]  [226, 128, 131]
\u2004 [-30, -128, -124]  [226, 128, 132]
\u2005 [-30, -128, -123]  [226, 128, 133]
\u2006 [-30, -128, -122]  [226, 128, 134]
\u2008 [-30, -128, -120]  [226, 128, 136]
\u2009 [-30, -128, -119]  [226, 128, 137]
\u200a [-30, -128, -118]  [226, 128, 138]
\u2028 [-30, -128, -88]   [226, 128, 168]
\u2029 [-30, -128, -87]   [226, 128, 169]
\u205f [-30, -127, -97]   [226, 129, 159]
\u3000 [-29, -128, -128]  [227, 128, 128]

从以上结果我们可以得知,\s 和 \p{Space} 是相同的,且 \p{javaWhitespace} 也确实就是 Character.isWhitespace()。

\s 或 \p{Space} 的匹配范围只有:

  • 水平定位符号(TAB 字符)\u0009 (\t)。
  • 换行字符 \u000A (\n)。
  • 垂直定位符号 \u000B。
  • 换页字符 \u000C。
  • 回车字符 \u000D (\r)。
  • 空白字符 \u0020(包含在 SPACE_SEPARATOR 字符集中)。