正则表达式-特殊字符的处理

 

  由于正则表达式 定了一些特殊字符，而有时候需要对这些特殊字符进行匹配 ，一般使用  \ 转义的方式这样的话 ， 得按照规则 replaceAll  很多字符 为 \ 的形式 ，不是很灵活 ，决定将所有字符都转成 unicode 码 :\uxxxx  这样来匹配 .(更简单地是 Pattern.quote 方法 20091213)

 

Pattern.quote 函数

 

利用 \Q \E 使得正则表示式里的特殊字符全部 literal 化了

 

 public static String quote(String s) {
        int slashEIndex = s.indexOf("\\E");
        if (slashEIndex == -1)
            return "\\Q" + s + "\\E";

        StringBuilder sb = new StringBuilder(s.length() * 2);
        sb.append("\\Q");
        slashEIndex = 0;
        int current = 0;
        while ((slashEIndex = s.indexOf("\\E", current)) != -1) {
            sb.append(s.substring(current, slashEIndex));
            current = slashEIndex + 2;
            sb.append("\\E\\\\E\\Q");
        }
        sb.append(s.substring(current, s.length()));
        sb.append("\\E");
        return sb.toString();
    }

 

Unicode 转化函数 ：

 

private static final char[] hexDigit = {
            '0', '1', '2', '3', '4', '5', '6', '7', '8', '9', 'A', 'B', 'C', 'D', 'E', 'F'
    };

    private static char toHex(int nibble) {
        return hexDigit[(nibble & 0xF)];
    }


    public static String toUnicodeChar(char aChar) {
        StringBuffer outBuffer = new StringBuffer("");
        outBuffer.append('\\');
        outBuffer.append('u');
        outBuffer.append(toHex((aChar >> 12) & 0xF));
        outBuffer.append(toHex((aChar >> 8) & 0xF));
        outBuffer.append(toHex((aChar >> 4) & 0xF));
        outBuffer.append(toHex(aChar & 0xF));
        return outBuffer.toString();
    }

 

或者更简单的：

 

public static String toSUnicodeChar(char aChar) {
        return "\\u" + Integer.toHexString(aChar & 0xffff);
}

 

刚开始想用  byte [] buf = strChina.getBytes("Unicode");  遇到一些问题，放弃，后来看到一片文章后豁然开朗 :

 

updated 2011-02-14

 

BOM 问题

 

utf-8 文件在 ultraedit 默认保留 BOM，不过保留BOM 的 utf-8 文件，php （PHP/6.0.0-dev）理解会有问题， 例如由于 文件开头 存在不可见字符 0xfeff（实际 utf-8 编码后为三个字节：EF BB BF）而首先使得引擎 echo 出 0xEF 0xBB 0x BF 进而后面的 程序都不可以再用header 函数 (header() 必须在第一个 echo 之前调用)， 并且输出 json 数据后，由于 utf-8 解码后字符串的第一个字符为  \ufeff 导致 javascript 原生 api : window.JSON.parse 失败 !

 

 

65279 或 FEFF 问题

 

Unicode字符编码的奇怪问题：http://blog.csdn.net/zhangxiaoxiang/archive/2006/07/31/1004229.aspx

问题如下：

String strChina = " 中国 ";

 

（ 1 ）直接把每个字符中的内容对应着的整数打印出来，显示的结果就是这个字符的 Unicode 码，则下面的代码：

          

for(int i=0; i

 

打印出的结果是：

       4e2d
       56fd

（ 2 ）下面的代码：

             

byte [] buf = strChina.getBytes("Unicode");
for(int i=0; i

 

打印出的结果是：

       ffffffff
       fffffffe
       2d
       4e
       fffffffd
       56

打印出的“ ffffffff ”和“ fffffffe ”表示什么？“ 2d ”和“ 4e ”为什么和直接打印的结果是相反的？

回答如下：

在不同体系结构的计算机系统中， UTF-16 编码的 Unicode 字符在内存中的字节存储顺序是不同的。使用 Intel CPU 的计算机中，一个多字节数据在内存中的存储形式通常是：低字节在前，高字节在后，这种方式称为 Little-Endian （最不重要的字节在先）。但是，在使用其他 CPU 的一些计算机中，又是以高字节在前，低字节在后的方式存储多字节数据的，这种方式称为 Big-Endian （最重要的字节在先）。对于 0x1234 这样一个双字节数据，使用 Little-Endian 和 Big-Endian 两种方式在内存中存储的格式如所示。

对于采用 UTF-16 编码的文件，通常都要用字节顺序标记（ Byte Order Mark ，简称 BOM ）来说明文件中的字符所使用的字节存储顺序。如果文件以 0xFE 0xFF 这两个字节开头，则表明文本的其余部分是 Big-Endian 的 UTF-16 编码；如果文件以 0xFF 0xFE 这两个字节开头，则表明文本的其余部分是 Little-Endian 的 UTF-16 编码；如果文件开头没有使用任何字节顺序标记，则暗指全部文本都是 Big-Endian 的 UTF-16 编码。

“ ffffffff ”和“ fffffffe ”实际上是 0xff 和 0xfe 的两个字节，把他们当作整数打印时，就成了 4 个字节， 由于 0xfe 的最高 bi t 位是 1 ，当它转成 4 字节的整数时，前面 3 个字节的所有 bit 位都补 1, 结果就成了 0xfffffffe 。前面打印出：

ffffffff
fffffffe
2d
4e
fffffffd
56

实际上是：

ff
fe
2d
4e
fd
56

前两个字节是在说字节存储顺序！

防止自动补1要用位运算将补1清零：

 

byte [] buf = strChina.getBytes("Unicode");
for(int i=0; i

 

 

 

http://justjavac.iteye.com/blog/641316

这是一篇程序员写给程序员的趣味读物。所谓趣味是指可以比较轻松地了解一些 原来不清楚的概念，增进知识，类似于打RPG游戏的升级。整理这篇文章的动机是两个问题：
问题一：

使用Windows记事本的“另存为”，可以在GBK、Unicode、Unicode big endian和UTF-8这几种编码方式间相互转换。同样是txt文件，Windows是怎样识别编码方式的呢？

我很早前就发现Unicode、Unicode big endian和UTF-8编码的txt文件的开头会多出几个字节，分别是FF、FE（Unicode）,FE、FF（Unicode big endian）,EF、BB、BF（UTF-8）。但这些标记是基于什么标准呢？
问题二：  
最近在网上看到一个ConvertUTF.c，实现了UTF-32、UTF-16和UTF-8这三种编码方式的相互转换。对于 Unicode(UCS2)、GBK、UTF-8这些编码方式，我原来就了解。但这个程序让我有些糊涂，想不起来UTF-16和UCS2有什么关系。

查了查相关资料，总算将这些问题弄清楚了，顺带也了解了一些Unicode的细节。写成一篇文章，送给有过类似疑问的朋友。本文在写作时尽量做到通 俗易懂，但要求读者知道什么是字节，什么是十六进制。
0、big endian和little endian

big endian和little endian是CPU处理多字节数的不同方式。例如“汉”字的Unicode编码是6C49。那么写到文件里时，究竟是将6C写在前面，还是将49写在前 面？如果将6C写在前面，就是big endian。还是将49写在前面，就是little endian。

“endian”这个词出自《格列佛游记》。小人国的内战就源于吃鸡蛋时是究竟从大头(Big-Endian)敲开还是从小头(Little- Endian)敲开，由此曾发生过六次叛乱，其中一个皇帝送了命，另一个丢了王位。

我们一般将endian翻译成“字节序”，将big endian和little endian称作“大尾”和“小尾”。

1、字符编码、内码，顺带介绍汉字编码

字符必须编码后才能被计算机处理。计算机使用的缺省编码方式就是计算机的内码。早期的计算机使用7位的ASCII编码，为了处理汉字，程序员设计了 用于简体中文的GB2312和用于繁体中文的big5。

GB2312(1980年)一共收录了7445个字符，包括6763个汉字和682个其它符号。汉字区的内码范围高字节从B0-F7，低字节从 A1-FE，占用的码位是72*94=6768。其中有5个空位是D7FA-D7FE。

GB2312支持的汉字太少。1995年的汉字扩展规范GBK1.0收录了21886个符号，它分为汉字区和图形符号区。汉字区包括21003个字 符。2000年的GB18030是取代GBK1.0的正式国家标准。该标准收录了27484个汉字，同时还收录了藏文、蒙文、维吾尔文等主要的少数民族文 字。现在的PC平台必须支持GB18030，对嵌入式产品暂不作要求。所以手机、MP3一般只支持GB2312。

从ASCII、GB2312、GBK到GB18030，这些编码方法是向下兼容的，即同一个字符在这些方案中总是有相同的编码，后面的标准支持更多 的字符。在这些编码中，英文和中文可以统一地处理。区分中文编码的方法是高字节的最高位不为0。按照程序员的称呼，GB2312、GBK到GB18030 都属于双字节字符集 (DBCS)。

有的中文Windows的缺省内码还是GBK，可以通过GB18030升级包升级到GB18030。不过GB18030相对GBK增加的字符，普通 人是很难用到的，通常我们还是用GBK指代中文Windows内码。

这里还有一些细节：

GB2312的原文还是区位码，从区位码到内码，需要在高字节和低字节上分别加上A0。

在DBCS中，GB内码的存储格式始终是big endian，即高位在前。

GB2312的两个字节的最高位都是1。但符合这个条件的码位只有128*128=16384个。所以GBK和GB18030的低字节最高位都可能 不是1。不过这不影响DBCS字符流的解析：在读取DBCS字符流时，只要遇到高位为1的字节，就可以将下两个字节作为一个双字节编码，而不用管低字节的 高位是什么。

2、Unicode、UCS和UTF

前面提到从ASCII、GB2312、GBK到GB18030的编码方法是向下兼容的。而Unicode只与ASCII兼容（更准确地说，是与 ISO-8859-1兼容），与GB码不兼容。例如“汉”字的Unicode编码是6C49，而GB码是BABA。

Unicode也是一种字符编码方法，不过它是由国际组织设计，可以容纳全世界所有语言文字的编码方案。Unicode的学名 是”Universal Multiple-Octet Coded Character Set”，简称为UCS。UCS可以看作是”Unicode Character Set”的缩写。

根据维基百科全书(http://zh.wikipedia.org/wiki/)的记载：历史上存在两个试图独立设计Unicode的组织，即国 际标准化组织（ISO）和一个软件制造商的协会（unicode.org）。ISO开发了ISO 10646项目，Unicode协会开发了Unicode项目。

在1991年前后，双方都认识到世界不需要两个不兼容的字符集。于是它们开始合并双方的工作成果，并为创立一个单一编码表而协同工作。从 Unicode2.0开始，Unicode项目采用了与ISO 10646-1相同的字库和字码。

目前两个项目仍都存在，并独立地公布各自的标准。Unicode协会现在的最新版本是2005年的Unicode 4.1.0。ISO的最新标准是10646-3:2003。

UCS规定了怎么用多个字节表示各种文字。怎样传输这些编码，是由UTF(UCS Transformation Format)规范规定的，常见的UTF规范包括UTF-8、UTF-7、UTF-16。

IETF的RFC2781和RFC3629以RFC的一贯风格，清晰、明快又不失严谨地描述了UTF-16和UTF-8的编码方法。我总是记不得 IETF是Internet Engineering Task Force的缩写。但IETF负责维护的RFC是Internet上一切规范的基础。

3、UCS-2、UCS-4、BMP

UCS有两种格式：UCS-2和UCS-4。顾名思义，UCS-2就是用两个字节编码，UCS-4就是用4个字节（实际上只用了31位，最高位必须 为0）编码。下面让我们做一些简单的数学游戏：

UCS-2有2^16=65536个码位，UCS-4有2^31=2147483648个码位。

UCS-4根据最高位为0的最高字节分成2^7=128个group。每个group再根据次高字节分为256个plane。每个plane根据第 3个字节分为256行 (rows)，每行包含256个cells。当然同一行的cells只是最后一个字节不同，其余都相同。

group 0的plane 0被称作Basic Multilingual Plane, 即BMP。或者说UCS-4中，高两个字节为0的码位被称作BMP。

将UCS-4的BMP去掉前面的两个零字节就得到了UCS-2。在UCS-2的两个字节前加上两个零字节，就得到了UCS-4的BMP。而目前的 UCS-4规范中还没有任何字符被分配在BMP之外。

4、UTF编码

UTF-8就是以8位为单元对UCS进行编码。从UCS-2到UTF-8的编码方式如下：UCS-2编码(16进制)    UTF-8 字节流(二进制)
0000 – 007F    0xxxxxxx
0080 – 07FF    110xxxxx 10xxxxxx
0800 – FFFF    1110xxxx 10xxxxxx 10xxxxxx

例如“汉”字的Unicode编码是6C49。6C49在0800-FFFF之间，所以肯定要用3字节模板了：1110xxxx 10xxxxxx 10xxxxxx。将6C49写成二进制是：0110 110001 001001， 用这个比特流依次代替模板中的x，得到：11100110 10110001 10001001，即E6 B1 89。

读者可以用记事本测试一下我们的编码是否正确。

UTF-16以16位为单元对UCS进行编码。对于小于0×10000的UCS码，UTF-16编码就等于UCS码对应的16位无符号整数。对于不 小于0×10000的UCS码，定义了一个算法。不过由于实际使用的UCS2，或者UCS4的BMP必然小于0×10000，所以就目前而言，可以认为 UTF-16和UCS-2基本相同。但UCS-2只是一个编码方案，UTF-16却要用于实际的传输，所以就不得不考虑字节序的问题。

5、UTF的字节序和BOM

UTF-8以字节为编码单元，没有字节序的问题。UTF-16以两个字节为编码单元，在解释一个UTF-16文本前，首先要弄清楚每个编码单元的字 节序。例如收到一个“奎”的Unicode编码是594E，“乙”的Unicode编码是4E59。如果我们收到UTF-16字节流“594E”，那么这 是“奎”还是“乙”？

Unicode规范中推荐的标记字节顺序的方法是BOM。BOM不是“Bill Of Material”的BOM表，而是Byte Order Mark。BOM是一个有点小聪明的想法：

在UCS编码中有一个叫做”ZERO WIDTH NO-BREAK SPACE”的字符，它的编码是FEFF。而FFFE在UCS中是不存在的字符，所以不应该出现在实际传输中。UCS规范建议我们在传输字节流前，先传输 字符”ZERO WIDTH NO-BREAK SPACE”。

这样如果接收者收到FEFF，就表明这个字节流是Big-Endian的；如果收到FFFE，就表明这个字节流是Little-Endian的。因 此字符”ZERO WIDTH NO-BREAK SPACE”又被称作BOM。

UTF-8不需要BOM来表明字节顺序，但可以用BOM来表明编码方式。字符”ZERO WIDTH NO-BREAK SPACE”的UTF-8编码是EF BB BF（读者可以用我们前面介绍的编码方法验证一下）。所以如果接收者收到以EF BB BF开头的字节流，就知道这是UTF-8编码了。

Windows就是使用BOM来标记文本文件的编码方式的。

6、进一步的参考资料

本文主要参考的资料是 “Short overview of ISO-IEC 10646 and Unicode” (http://www.nada.kth.se/i18n/ucs/unicode-iso10646-oview.html)。