Cocokkan spasi putih tetapi bukan baris baru

Saya terkadang ingin mencocokkan spasi putih tetapi tidak dengan baris baru.

Sejauh ini saya telah menggunakan [ \t]. Apakah ada cara yang kurang canggung?

Perl versi 5.10 dan yang lebih baru mendukung kelas karakter vertikal dan horizontal, \vdan \h, juga kelas karakter spasi putih generik\s

Solusi terbersih adalah menggunakan kelas karakter spasi putih horizontal\h . Ini akan mencocokkan tab dan ruang dari set ASCII, ruang tanpa putus dari ASCII yang diperluas, atau salah satu dari karakter Unicode ini

U+0009 CHARACTER TABULATION
U+0020 SPACE
U+00A0 NO-BREAK SPACE (not matched by \s)

U+1680 OGHAM SPACE MARK
U+2000 EN QUAD
U+2001 EM QUAD
U+2002 EN SPACE
U+2003 EM SPACE
U+2004 THREE-PER-EM SPACE
U+2005 FOUR-PER-EM SPACE
U+2006 SIX-PER-EM SPACE
U+2007 FIGURE SPACE
U+2008 PUNCTUATION SPACE
U+2009 THIN SPACE
U+200A HAIR SPACE
U+202F NARROW NO-BREAK SPACE
U+205F MEDIUM MATHEMATICAL SPACE
U+3000 IDEOGRAPHIC SPACE

The ruang vertikal pola \vkurang berguna, tapi cocok karakter ini

U+000A LINE FEED
U+000B LINE TABULATION
U+000C FORM FEED
U+000D CARRIAGE RETURN
U+0085 NEXT LINE (not matched by \s)

U+2028 LINE SEPARATOR
U+2029 PARAGRAPH SEPARATOR

Ada tujuh karakter spasi putih vertikal yang cocok \vdan delapan belas karakter horizontal yang cocok \h. \scocok dengan dua puluh tiga karakter

Semua karakter spasi putih baik vertikal atau horizontal tanpa tumpang tindih, tetapi mereka bukan himpunan bagian yang tepat karena \hjuga cocok dengan U + 00A0 NO-BREAK SPACE, dan \vjuga cocok dengan U + 0085 LINE NEXT, yang keduanya tidak cocok dengan\s

Gunakan double-negatif:

/[^\S\r\n]/

Yaitu, bukan-bukan-spasi putih (ibukota S melengkapi) atau tidak-carriage-return atau tidak-newline. Mendistribusikan bagian luar tidak ( yaitu , pelengkap ^dalam kelas karakter) dengan hukum De Morgan , ini setara dengan "spasi putih tetapi bukan carriage return atau newline." Termasuk keduanya \rdan \ndalam pola dengan benar menangani semua konvensi baris baru Unix (LF), Mac OS (CR) klasik, dan DOS-ish (CR LF) .

Tidak perlu mengambil kata saya untuk itu:

#! /usr/bin/env perl

use strict;
use warnings;

use 5.005;  # for qr//

my $ws_not_crlf = qr/[^\S\r\n]/;

for (' ', '\f', '\t', '\r', '\n') {
  my $qq = qq["$_"];
  printf "%-4s => %s\n", $qq,
    (eval $qq) =~ $ws_not_crlf ? "match" : "no match";
}

Keluaran:

"" => cocok
"\ f" => cocok
"\ t" => cocok
"\ r" => tidak cocok
"\ n" => tidak cocok

Perhatikan pengecualian tab vertikal, tetapi ini dibahas dalam v5.18 .

Sebelum menolak terlalu keras, dokumentasi Perl menggunakan teknik yang sama. Catatan kaki di bagian “Ruang Putih” perlrecharclass berbunyi

Sebelum Perl v5.18, \stidak cocok dengan tab vertikal. [^\S\cK](Jelas) cocok dengan apa yang secara \stradisional dilakukan.

The bagian yang sama dari perlrecharclass juga menunjukkan pendekatan lain yang tidak akan menyinggung oposisi guru bahasa untuk double-negatif.

Di luar lokal dan aturan Unicode atau ketika /asakelar berlaku, " \scocok [\t\n\f\r ]dan, mulai di Perl v5.18, tab vertikal \cK,." Buang \rdan \ntinggalkan /[\t\f\cK ]/untuk pencocokan spasi putih tetapi bukan baris baru.

Jika teks Anda adalah Unicode, gunakan kode yang mirip dengan sub di bawah ini untuk membuat pola dari tabel di bagian dokumentasi yang disebutkan di atas .

sub ws_not_nl {
  local($_) = <<'EOTable';
0x0009        CHARACTER TABULATION   h s
0x000a              LINE FEED (LF)    vs
0x000b             LINE TABULATION    vs  [1]
0x000c              FORM FEED (FF)    vs
0x000d        CARRIAGE RETURN (CR)    vs
0x0020                       SPACE   h s
0x0085             NEXT LINE (NEL)    vs  [2]
0x00a0              NO-BREAK SPACE   h s  [2]
0x1680            OGHAM SPACE MARK   h s
0x2000                     EN QUAD   h s
0x2001                     EM QUAD   h s
0x2002                    EN SPACE   h s
0x2003                    EM SPACE   h s
0x2004          THREE-PER-EM SPACE   h s
0x2005           FOUR-PER-EM SPACE   h s
0x2006            SIX-PER-EM SPACE   h s
0x2007                FIGURE SPACE   h s
0x2008           PUNCTUATION SPACE   h s
0x2009                  THIN SPACE   h s
0x200a                  HAIR SPACE   h s
0x2028              LINE SEPARATOR    vs
0x2029         PARAGRAPH SEPARATOR    vs
0x202f       NARROW NO-BREAK SPACE   h s
0x205f   MEDIUM MATHEMATICAL SPACE   h s
0x3000           IDEOGRAPHIC SPACE   h s
EOTable

  my $class;
  while (/^0x([0-9a-f]{4})\s+([A-Z\s]+)/mg) {
    my($hex,$name) = ($1,$2);
    next if $name =~ /\b(?:CR|NL|NEL|SEPARATOR)\b/;
    $class .= "\\N{U+$hex}";
  }

  qr/[$class]/u;
}

Aplikasi lain

Trik ganda negatif juga berguna untuk mencocokkan karakter alfabet juga. Ingat bahwa \wcocok dengan "karakter kata," karakter dan digit alfabet dan garis bawah. Kami orang Amerika yang jelek kadang ingin menuliskannya sebagai, katakanlah,

if (/[A-Za-z]+/) { ... }

tetapi kelas karakter ganda-negatif dapat menghormati lokal:

if (/[^\W\d_]+/) { ... }

Mengekspresikan "karakter kata tetapi bukan angka atau garis bawah" dengan cara ini agak buram. Kelas karakter POSIX mengkomunikasikan maksud secara lebih langsung

if (/[[:alpha:]]+/) { ... }

atau dengan properti Unicode seperti yang disarankan szbalint

if (/\p{Letter}+/) { ... }

Variasi jawaban Greg yang mencakup carriage return juga:

/[^\S\r\n]/

Regex ini lebih aman daripada /[^\S\n]/tanpa \r. Alasan saya adalah bahwa Windows menggunakan \r\nbaris baru, dan Mac OS 9 digunakan \r. Anda tidak akan menemukannya \rtanpa \nsaat ini, tetapi jika Anda menemukannya, itu tidak bisa berarti apa-apa selain baris baru. Jadi, karena \rdapat berarti baris baru, kita juga harus mengecualikannya.

Regex di bawah ini akan cocok dengan spasi putih tetapi tidak dengan karakter garis baru.

(?:(?!\n)\s)

DEMO

Jika Anda ingin menambahkan carriage return juga maka tambahkan \rdengan |operator di dalam lookahead negatif.

(?:(?![\n\r])\s)

DEMO

Tambahkan +setelah grup yang tidak menangkap untuk mencocokkan satu atau lebih spasi putih.

(?:(?![\n\r])\s)+

DEMO

Saya tidak tahu mengapa kalian gagal menyebutkan kelas karakter POSIX [[:blank:]]yang cocok dengan spasi putih spasi ( spasi dan tab ). Kelas chracter POSIX ini akan bekerja pada BRE ( Basic REgular Expressions ), ERE ( Extended Regular Expression ), PCRE ( Perl Kompatibel Regular Expression ).

DEMO

Apa yang Anda cari adalah blankkelas karakter POSIX . Dalam Perl itu dirujuk sebagai:

[[:blank:]]

di Jawa (jangan lupa untuk mengaktifkan UNICODE_CHARACTER_CLASS):

\p{Blank}

Dibandingkan dengan yang serupa \h, POSIX blankdidukung oleh beberapa mesin regex ( referensi ). Manfaat utama adalah bahwa definisi tersebut ditetapkan dalam Lampiran C: Properti Kompatibilitas Unicode Regular Expressions dan standar di semua rasa regex yang mendukung Unicode. (Dalam Perl, misalnya, \hmemilih untuk menyertakan tambahan MONGOLIAN VOWEL SEPARATOR.) Namun, argumen yang mendukung \hadalah bahwa ia selalu mendeteksi karakter Unicode (bahkan jika mesin tidak setuju dengan yang), sementara kelas karakter POSIX sering secara default ASCII -hanya (seperti di Jawa).

Tetapi masalahnya adalah bahwa bahkan tetap pada Unicode tidak menyelesaikan masalah 100%. Pertimbangkan karakter berikut yang tidak dianggap sebagai spasi putih di Unicode:

• U + 180E MONGOLIAN VOWEL SEPARATOR

• U + 200B NOL WIDTH SPACE

• U + 200C NOL LEBIH BANYAK GABUNGAN

• U + 200D NOL JOINER LEBAR

• U + 2060 WORD JOINER

• U + FEFF NOL DENGAN LEBIH BANYAK RUANG BREAK

  _{Diambil dari https://en.wikipedia.org/wiki/White-space_character}

Pemisah vokal Mongolia yang disebutkan di atas tidak termasuk untuk alasan yang mungkin bagus. Itu, bersama dengan 200C dan 200D, terjadi dalam kata-kata (AFAIK), dan karena itu melanggar aturan kardinal yang dipatuhi oleh semua spasi putih lainnya: Anda dapat melakukan tokenize dengannya. Mereka lebih seperti pengubah. Namun, ZERO WIDTH SPACE, WORD JOINER, dan ZERO WIDTH NON-BREAKING SPACE(jika digunakan sebagai selain tanda byte-order) sesuai dengan aturan spasi dalam buku saya. Oleh karena itu, saya memasukkan mereka dalam kelas karakter spasi putih horizontal saya.

Di Jawa:

static public final String HORIZONTAL_WHITESPACE = "[\\p{Blank}\\u200B\\u2060\\uFFEF]"

m/ /gcukup beri ruang / /, dan itu akan berhasil. Atau gunakan \S- ini akan menggantikan semua karakter khusus seperti tab, baris baru, spasi, dan sebagainya.