java.util.Pattern的几种模式详细解析
前言
本地的JDK版本是1.8
本篇是我对于Pattern几种模式的一些个人理解，如果大家发现有异议的地方，欢迎大家评论指正
对于其中一些模式，使用了✔️、❌来表示是否能够匹配出结果
✔️ ：表示能匹配出内容
❌ ：表示不能匹配出内容
1️⃣ CASE_INSENSITIVE
参数描述：
1、忽略大小写，US-ASCII 字符集中的字符大小写不敏感（其实也就是忽略26个英文字母的大小写）
2、想要使UNICODE字符忽略大小写，可以和UNICODE_CASE组合使用（该参数使用说明，请看下面的UNICODE_CASE使用介绍）
3、指定该模式会有轻微的性能损失
🔶测试：
regex为helloworld 匹配 helloworld 和 helloWorld
正则表达式为helloworld | helloworld | helloWorld |
|---|---|---|
使用CASE_INSENSITIVE | ✔️ | ✔️ |
不用CASE_INSENSITIVE | ✔️ | ❌ |
🔶 解释：
当不忽略大小写时，
helloWorld无法被正则表达式helloworld匹配出
🔶 底层代码：
使用了类ASCII里面的转小写方法，将两个字符进行比较
ASCII.toLower(c1) != ASCII.toLower(c2)
2️⃣ UNICODE_CASE
参数描述：
1、忽略Unicode字符大小写 （默认情况下忽略大小写只支持US-ASCII字符）
2、指定此参数，会导致性能下降
大家都知道Unicode也叫做统一码，万国码，也就是多国字符的编码
世界上除了26个英文字母之外，还有其他的语言字母是有大小写的（比如希腊字母Ω的小写就是ω，Υ的小写字母是υ），所以需要这个参数
🔶 测试：
regex为helloworldΩ 匹配 helloworldω
正则表达式为helloworldΩ | helloworldω |
|---|---|
使用 CASE_INSENSITIVE + UNICODE_CASE | ✔️ |
只使用CASE_INSENSITIVE | ❌ |
🔶 测试截图：
🔶 底层代码实现：
int cc1 = Character.toUpperCase(c1);
int cc2 = Character.toUpperCase(c2);
if (cc1 != cc2 && Character.toLowerCase(cc1) !=Character.toLowerCase(cc2))
return false;
3️⃣ COMMENTS
参数描述：
1、忽略空白
2、忽略#后的字符直到行尾
🔶 测试（忽略空白）：
regex为hello wo r l d 匹配 helloworld
正则表达式为hello wo r l d | helloworld |
|---|---|
不使用COMMENTS | ❌ |
使用COMMENTS | ✔️ |
🔶 测试截图：
🔶 测试（忽略#后面的字符直到行尾）：
| 正则表达式 | 匹配内容：helloworld1 | |
|---|---|---|
不使用COMMENTS | 使用COMMENTS | |
helloworld[0-9] | helloworld1 | helloworld1 |
hello wo rld [0-9] | helloworld1 | helloworld1 |
helloworld#[0-9] | ❌匹配不出结果 | helloworld |
helloworld # [0-9] | ❌匹配不出结果 | helloword |
🔶 解释：
该参数，会忽略掉表达式中的空格 以及 表达式中#后面的字符
| 原表达式为 | 使用COMMENTS后表达式变为 |
|---|---|
| hello wo rld [0-9] | helloworld[0-9] |
| helloworld#[0-9] | helloworld |
| helloworld # [0-9] | helloworld |
4️⃣ MULTILINE
参数描述：
1、在此参数下，正则表达式^和$会启用多行模式，默认情况下，正则表达式^和$忽略行终止符
🔶 测试：
regex为^world$ 匹配 hello\nworld ，此处包含行终止符\n
正则表达式为^world$ | 匹配内容为：hello\nworld |
|---|---|
| 使用 MULTILINE | 输出结果：world |
| 不使用MULTILINE | ❌ |
🔶 解释：
如果不使用
MULTILINE，程序会将hello\nworld作为一个整体进行匹配； 如果使用MULTILINE
，程序会根据行终止符号\n将hello\nworld分成hello和world
然后匹配第一行的hello，再匹配第二行的world；
🔶 测试截图：
5️⃣ UNIX_LINES
参数描述（使用此参数后）：
1、使用.，^和$时，在此参数下，只能识别\n为行终止符，其他的行终止符无法识别
UNIX_LINES参数，我用MULTILINE参数配合来测试，更容易懂，所以大家先要理解MULTILINE参数的作用，再来看参数UNIX_LINES
🔶 测试：
| 测试内容 | 所选模式 | 正则表达式 ^world$ | 原因 |
|---|---|---|---|
| 匹配结果 | |||
| hello\u0085world | MULTILINE | world | \u0085 是行终止符 |
MULTILINE+UNIX_LINES | ❌匹配不出结果 | \u0085 不再被识别为行终止符 | |
| hello\nworld | MULTILINE | world | \n 是行终止符 |
MULTILINE+UNIX_LINES | world | \n 是UNIX_LINES模式下唯一被识别的行终止符 |
🔶 解释：
行终止符是一个或两个字符的序列，用于标记输入字符序列的一行的末尾。
下列都是行终止符（关于行终止符的问题，大家可以参考jdk的Pattern类的api文档）：
🔹换行符（换行）字符（ ‘\n’ ），
🔹一个回车符，紧跟着一个换行符（ “\r\n” ），
🔹独立回车字符（ ‘\r’ ），
🔹下一行字符（ ‘\u0085’ ），
🔹行分隔符（ ‘\u2028’ ）
🔹段落分隔符（ '\u2029’ ）
如果UNIX_LINES模式被激活，则\n唯一识别的行终止符是换行符，\u0085不再被识别为行终止符，所以无法匹配出来。
🔶 测试截图：
行终止符为
\u0085
行终止符为\n
6️⃣ LITERAL
参数描述：
1、在此模式下，输入字符串将被视为文字字符序列。 输入序列中的元字符或转义序列将没有特殊的含义。
2、只有CASE_INSENSITIVE和UNICODE_CASE能起到作用，其他都失效
🔶 测试：
| 测试内容 | 所选模式 | 正则表达式 .elloworld | 原因 |
|---|---|---|---|
| 匹配结果 | |||
| helloworld | 无 | helloworld | . 可以匹配除了\r和\n之外的任何字符，所以可以匹配h |
LITERAL | ❌匹配不出结果 | 在此模式下，.被程序理解为字面意思，只能匹配点，所以无法匹配h | |
| .elloworld | 无 | .elloworld | |
LITERAL | .elloworld |
🔶 测试截图：
7️⃣ DOTALL
参数描述：
1、.将匹配任何字符，包含行终止符（默认情况下是不匹配行终止符）
此参数在平时还是比较常用的，大多数内容中都会包含行终止符
🔶 测试：
regex为hello(.*)world 匹配 hello\nworld ，此处包含行终止符\n
regex为hello(.*)world | hello\nworld |
|---|---|
| 使用 DOTALL | ✔️ |
| 不使用DOTALL | ❌ |
🔶 测试截图：
8️⃣ CANON_EQ
参数描述：
1、启用规范等效
2、简单说，就是将一个字符分解，将多个字符组合成一个新的字符，再匹配，称之为标准化（比如光波长度和分子直径的常用计量单位Å就可以拆分为A\u030A）
3、指定此标志可能会造成性能损失
参考资料：
https://www.unicode.org/reports/tr15/tr15-23.html
🔶 测试：
regex为A\u030A 匹配 Å
regex为A\u030A | 匹配内容：Å |
|---|---|
| 使用 CANON_EQ | 输出结果：Å |
| 不使用CANON_EQ | ❌ |
🔶 测试截图：
🔶 底层代码实现：
底层会调用Normalizer 类标准化传入进来的 regex，再进行匹配
Normalizer 类介绍
Normalizer.normalize(pattern, Normalizer.Form.NFD);
9️⃣ UNICODE_CHARACTER_CLASS
参数描述：
1、启用Unicode版本的预定义字符类和POSIX字符类（默认使用的US-ASCII）
2、使用该参数时，会默认启用UNICODE_CASE参数识别大小写
3、指定此标志可能会造成性能损失
某些元字符（\b、\d、\s、\w、\B、\D、\S、\W），比如：
\d默认表示的是ASCII中的数字，但在该参数下，它表示Unicode里的数字
\s默认表示的是ASCII中的SPACE，但在该参数下，它表示Unicode里的WHITE_SPACE
\w默认表示的是ASCII中的[A-Za-z0-9_]，但在该参数下，它表示Unicode里的字符
🔶 测试：
正则表达式为\w+ | 匹配内容：ABC尤成军 |
|---|---|
使用UNICODE_CHARACTER_CLASS | 输出结果：ABC |
不使用UNICODE_CHARACTER_CLASS | 输出结果：ABC尤成军 |
🔶 解释：
如果不使用UNICODE_CHARACTER_CLASS，那么默认的ASCII中是不会存在中文的，所有\w是不能匹配中文
如果使用UNICODE_CHARACTER_CLASS，Unicode中包含汉字，所以能匹配出尤成军
🔶 测试截图：
后语
以上是我的一些个人理解，如果大家有任何疑问或者发现有什么不对的地方，可以在下面评论，我会及时修改
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
