Java:正则表达式模式无法识别 HTML 中的空格

Question

代码:

static short state = 0;
static int td_number = 0;

public static void main(String[] args) {

final Pattern p = Pattern.compile("^[\\s]*?\\d+\\.\\d+[\\s]*?");
final short TD_ENTRY = 0;
final short NO_ENTRY = 1;

HTMLEditorKit.ParserCallback callback = new HTMLEditorKit.ParserCallback() {
    public void handleText(char[] data, int pos) {
    switch (state) {
    case NO_ENTRY:
        break;
    case TD_ENTRY: {
        // We are in the right table column
        // Create string from char array
        String s = new String(data);
        Matcher m = p.matcher(s);
        boolean b = m.matches();
        // Check if data information has correct format (0.0)
        if (b) {

        }
    }
        break;
    default:
        break;
    }
    state = NO_ENTRY;
    }

    public void handleStartTag(HTML.Tag tag, MutableAttributeSet set, int pos) {
    if (tag == HTML.Tag.TD) {
      //[...]
    }
    }
};

Reader reader = new StringReader(html);
try {
    new ParserDelegator().parse(reader, callback, false);
} catch (IOException e) {
}
}

我正在尝试使用正则表达式解析 HTML。该程序读取 html 表格中 td 标签的内容。表格单元格中的内容应符合 Pattern p 中定义的特殊模式。

现在的主要问题是正则表达式模式与像“0.1”这样的单元格内容不匹配。但是，如果我在模式匹配的代码中使用值 ("0.1") 手动定义 String s。

此外，如果我在 Debug模式下复制 char[] data 的内容并使用此复制的内容定义 s 模式也不适合，尽管它看起来像上面手动定义的值。

是否有可能找出真正读取了哪些空白字符？

似乎空格并不总是空格，因此与正则表达式类 [\s] 不匹配。这可能吗？

编辑:

感谢您的回答。它实际上是一个空白字符 (\xA0)，无法被\s 正则表达式类识别。

对于所有投反对票(真的很沮丧)的人，我的问题只是误解了我的意思。也许问题真的出在“我想用正则表达式解析 HTML”这句话，但实际上我只是从一个带有未知空白字符的 HTML 表格单元格中获取内容 ;-)。

我想我在使用像 jsoup 这样的库时遇到了同样的问题。

Answer 1

在 Java 正则表达式中，为了匹配 \s，不间断空格字符(NBSP，U+00A0)传统上不被视为空格。如果这是导致问题的原因，您只需将其添加到现有的空白类中:

"^[\\s\\xA0]*\\d+\\.\\d+[\\s\\xA0]*$"

\s 不匹配其他 Unicode 空白字符，但没有一个像 NBSP 一样常见。

或者，如果您运行的是 Java 7+，则可以指定 UNICODE_CHARACTER_CLASS mode并继续使用 \s。