100 lines
4.5 KiB
Kotlin
100 lines
4.5 KiB
Kotlin
package jp.juggler.util
|
|
|
|
import org.intellij.lang.annotations.Language
|
|
import java.util.regex.Pattern
|
|
|
|
/*
|
|
java.util.regex.Pattern は Oracle JVM と Android で大きく異なる。
|
|
Androidの正規表現エンジンはICUベースで、
|
|
AndroidのAPIリファレンスで UNICODE_CHARACTER_CLASS を見ると
|
|
"This flag has no effect on Android, unicode character classes are always used." と書いてある。
|
|
\w \d \s などの文字クラスの扱いに違いがある。
|
|
|
|
JVMでUNICODE_CHARACTER_CLASSフラグなしの場合はこう
|
|
\s 空白文字: [\t\n\x0B\f\r]
|
|
\d 数字: [0-9]
|
|
\w 単語構成文字: [a-zA-Z_0-9]
|
|
|
|
JVMでUNICODE_CHARACTER_CLASSフラグありの場合はこう
|
|
\s 空白文字: \p{IsWhite_Space}
|
|
\d 数字: \p{IsDigit}
|
|
\w 単語構成文字: [\p{Alpha}\p{gc=Mn}\p{gc=Me}\p{gc=Mc}\p{Digit}\p{gc=Pc}\p{IsJoin_Control}]
|
|
|
|
ICUの場合はこう
|
|
http://userguide.icu-project.org/strings/regexp
|
|
\s Match a white space character. White space is defined as [\t\n\f\r\p{Z}].
|
|
\w Match a word character. Word characters are [\p{Alphabetic}\p{Mark}\p{Decimal_Number}\p{Connector_Punctuation}\u200c\u200d].
|
|
\d Match any character with the Unicode General Category of Nd (Number, Decimal Digit.)
|
|
|
|
とりあえず \d \D と \w と \W は凄く困るので 正規表現を書き換えてなんとかしたい。
|
|
なおJVMもICUも [A-Z[a-z]] と書くと [A-Za-z]と同じ事になる。
|
|
よって [^\w.-] を [^[A-Za-z0-9].-] に変換しても問題ない。
|
|
困るのは\W や \D の方だが、STのコードを見た感じ\Wは使っていないし、￥Dを文字クラスの中で使っていることもなかった
|
|
|
|
*/
|
|
|
|
fun @receiver:Language("RegExp") String.asciiPattern(flags: Int = 0): Pattern =
|
|
Pattern.compile(this.asciiPatternString(), flags)
|
|
|
|
fun @receiver:Language("RegExp") String.asciiRegex(): Regex =
|
|
this.asciiPatternString().toRegex()
|
|
|
|
fun @receiver:Language("RegExp") String.asciiRegex(option: RegexOption): Regex =
|
|
this.asciiPatternString().toRegex(option)
|
|
|
|
fun @receiver:Language("RegExp") String.asciiRegex(options: Set<RegexOption>): Regex =
|
|
this.asciiPatternString().toRegex(options)
|
|
|
|
fun @receiver:Language("RegExp") String.asciiPatternString(): String {
|
|
val dst = StringBuilder()
|
|
dst.ensureCapacity(this.length)
|
|
var escaped = false
|
|
var insideSet = 0
|
|
var lastOpen = 0
|
|
for (i in this.indices) {
|
|
val c = this[i]
|
|
when {
|
|
escaped -> {
|
|
escaped = false
|
|
when (c) {
|
|
'w' -> dst.append(if (insideSet > 0) "A-Za-z0-9_" else "[A-Za-z0-9_]")
|
|
'd' -> dst.append(if (insideSet > 0) "0-9" else "[0-9]")
|
|
|
|
// W,Dは文字セット内では対応できないのでそのまま通す
|
|
'W' -> if (insideSet > 0) dst.append('\\')
|
|
.append(c) else dst.append("[^A-Za-z0-9_]")
|
|
'D' -> if (insideSet > 0) dst.append('\\').append(c) else dst.append("[^0-9]")
|
|
|
|
else -> dst.append('\\').append(c)
|
|
}
|
|
}
|
|
|
|
c == '\\' -> escaped = true
|
|
|
|
else -> {
|
|
dst.append(c)
|
|
if (c == '[') {
|
|
insideSet++
|
|
lastOpen = i
|
|
} else if (c == ']' && insideSet > 0 && i > lastOpen + 1) {
|
|
insideSet--
|
|
|
|
// [] のようなカラの文字クラスは正規表現のエラーになる。
|
|
// つまり文字クラスは最低でも1文字を含むので、
|
|
// []] のような記述は ] のみを示す文字クラスになる。
|
|
// [ ]] のような記述は 空白に続いて文字']'が出現する入力にマッチする。
|
|
// 1文字あけた次からは閉じ括弧として扱われて、
|
|
// 続いて開いてない時に登場した ] は普通の文字として扱われる。
|
|
|
|
// [[ABC][DEF]]は [ABCDEF]と同じ。入れ子になっている
|
|
// JVMのPatternでは[A-Z&&[^D-F]]のような記述は「A-ZのうちD-F以外」と解釈される
|
|
// ICUには [\p{Letter}&&\p{script=cyrillic}] や [\p{Letter}--\p{script=latin}]
|
|
// JVMと同じような記述ができるかどうかは分からない。
|
|
}
|
|
}
|
|
}
|
|
}
|
|
if (escaped) dst.append('\\')
|
|
return dst.toString()
|
|
}
|