为什么 Java 无法识别这些空格？

Question

有25 types of white spaces个。下面代码中的 Character.isWhitespace(char) 表明 25 种类型中有四种在 Java 中不被视为白色 space。为什么？

public class Main {
    public static void main(String...args){
        char [] whiteSpaces = {'\u0085', '\u00A0', '\u2007', '\u202F'};
        for(char space : whiteSpaces){
            //All spaces are not white spaces in Java.
            System.out.println("[" + space + "] is a white space in Java:" + Character.isWhitespace(space));
        }
    }
}

参考-https://docs.oracle.com/en/java/javase/11/docs/api/java.base/java/lang/Character.html#isWhitespace(char)

Answer 1

为什么？因为那是指定该方法的方式。 javadoc for isWhiteSpace 列出了它匹配的代码。您确定的 4 个不在列表中。

我们无法告诉您为什么这样定义它。但是，javadoc 所说的一个含义是 '\u00A0'、'\u2007'和 '\u202F' 被排除在外，因为它们是 non-breaking 白色 space 字符。

'\u0085' 或 NEL 是一个有趣的案例。根据 Unicode 代码表（参见 here 的非官方摘要），它不是一般类别 SPACE_SEPARATOR、LINE_SEPARATOR 或 PARAGRAPH_SEPARATOR 的成员。（它显示在“控制”类别中。）

如果您想要一种识别所有 Unicode 白色 space 字符（即 SPACE_SEPARATOR、LINE_SEPARATOR 或 PARAGRAPH_SEPARATOR 中的字符）的方法，您应该使用 isSpaceChar (javadoc) 而不是 isWhiteSpace.

请注意，Unicode 规范不是一成不变的。代码的分类，以及“白色 space”的定义确实随着时间的推移而演变。每个 Java version implements a specific version of the Unicode spec 在发布时都是最新的。例如：

Java 8 实现 Unicode 6.2
Java 11 实施 Unicode 10.0.0
Java 13 实现 Unicode 12.1

每个 Java 版本的 Character class 的 javadoc 中有详细信息。请注意，给定的 Java 版本未修补以跟踪后续的 Unicode 版本。

最重要的是，“白色 space”是一个相当狡猾的概念。如果你想要一个实现特定含义的方法，你可能需要自己实现。

Answer 2

Java 似乎没有在任何地方公开 unicode whitespace 列表

在Java中，isWhitespace具体定义为以下之一：

它是一个 Unicode space 字符（SPACE_SEPARATOR、LINE_SEPARATOR 或 PARAGRAPH_SEPARATOR）但不是 non-breaking space ('\u00A0', '\u2007', '\u202F').
是'\t'，U+0009 水平制表。
是'\n', U+000A LINE FEED.
是'\u000B',U+000B 竖排表。
是'\f', U+000C FORM FEED.
是'\r', U+000D CARRIAGE RETURN.
它是'\u001C'，U+001C 文件分隔符。
它是'\u001D'，U+001D 组分隔符。
是'\u001E', U+001E RECORD SEPARATOR.
它是'\u001F', U+001F 单位分隔符。

Java 也使 unicode spaces 可用，但不是 unicode whitespaces，通过 Character.isSpaceChar()。这是一个略有不同的列表。

char [] whiteSpaces = {'\u0085', '\u00A0', '\u2007', '\u202F'};
        for(char space : whiteSpaces){
            //All spaces are not white spaces in Java.
            System.out.println("[" + space + "] is a white space in Java: " + Character.isWhitespace(space) + " Unicode: " + Character.isSpaceChar(space));
        }

输出：

[] is a white space in Java: false Unicode: false
[ ] is a white space in Java: false Unicode: true
[ ] is a white space in Java: false Unicode: true
[ ] is a white space in Java: false Unicode: true

如果您的应用程序匹配 unicode 规范而不是 java 规范很重要，请自行定义。

Answer 3

如果您阅读文档，即 Character.isWhitespace(char) 的 javadoc，它说：

Determines if the specified character is white space according to Java. A character is a Java whitespace character if and only if it satisfies one of the following criteria:

It is a Unicode space character (SPACE_SEPARATOR, LINE_SEPARATOR, or PARAGRAPH_SEPARATOR) but is not also a non-breaking space ('\u00A0', '\u2007', '\u202F').

It is '\t', U+0009 HORIZONTAL TABULATION.

It is '\n', U+000A LINE FEED.

It is '\u000B', U+000B VERTICAL TABULATION.

It is '\f', U+000C FORM FEED.

It is '\r', U+000D CARRIAGE RETURN.

It is '\u001C', U+001C FILE SEPARATOR.

It is '\u001D', U+001D GROUP SEPARATOR.

It is '\u001E', U+001E RECORD SEPARATOR.

It is '\u001F', U+001F UNIT SEPARATOR.

您列出的 4 个中有 3 个被明确排除，因为它们是 non-breaking spaces.

至于U+0085 NEXT LINE (NEL)，它不是Unicode space字符，Java也不认为它是白色space字符，你可以看到在那个javadoc中。

为什么 Java 无法识别这些空格？

Why does Java not recognize these white spaces?

java

character-encoding