java - 使用正则表达式拆分字符串\w\w*?\w+?

Question

我正在学习正则表达式并认为我开始掌握了。但是……

我试图拆分一个字符串，我需要帮助来理解这样一个简单的事情:

String input = "abcde";
System.out.println("[a-z] " + Arrays.toString(input.split("[a-z]")));
System.out.println("\\w " + Arrays.toString(input.split("\\w")));
System.out.println("\\w*? " + Arrays.toString(input.split("\\w*?")));
System.out.println("\\w+? " + Arrays.toString(input.split("\\w+?")));

The output is
[a-z] - []
\w    - []
\w*?  - [, a, b, c, d, e]
\w+?  - []

为什么前两行中的任何一行都不在任何字符上拆分字符串？第三个表达式\w*?,(问号防止贪婪)按我的预期工作，在每个字符上拆分字符串。星号、零个或多个匹配项返回一个空数组。

我已经在 NotePad++ 和程序中尝试了表达式，它显示了 5 个匹配项，如下所示:

Scanner ls = new Scanner(input);
while(ls.hasNext())
    System.out.format("%s ", ls.findInLine("\\w");

Output is: a b c d e

这让我很困惑

Answer 1

如果您使用正则表达式拆分字符串，您实际上是在告诉应该在何处剪切该字符串。这必然会切断您与正则表达式匹配的内容。这意味着如果您在 \w 处拆分，那么每个字符都是一个拆分点，并且返回它们之间的子字符串(全部为空)。 Java 自动删除尾随的空字符串，如 the documentation 中所述.

这也解释了为什么惰性匹配 \w*? 会给你每个字符，因为它会匹配任何字符之间(以及之前和之后)的每个位置(零宽度)。剩下的就是字符串本身的字符。

让我们分解一下:

1. [a-z], \w, \w+?

   你的字符串是

   abcde
   

   匹配如下:

    a  b  c  d  e
   └─┘└─┘└─┘└─┘└─┘
   

   这给您留下匹配项之间的子字符串，所有这些都是空的。

   以上三个正则表达式在这方面的行为相同，因为它们都只会匹配一个字符。 \w+? 会这样做，因为它缺少任何其他可能使 +? 尝试匹配的不仅仅是最低限度的约束(毕竟它是惰性的)。

2. \w*?

     a  b  c  d  e
   └┘ └┘ └┘ └┘ └┘ └┘
   

   在这种情况下，匹配在字符之间，为您留下以下子字符串:

   "", "a", "b", "c", "d", "e", ""
   

   不过，Java 会丢弃尾随的空值。