14、正则表达式的字符编码与匹配模式详解

正则表达式的字符编码与匹配模式详解

1. 字符编码基础

1.1 ASCII与ISO - 8859 - 1

ASCII编码仅为字节所能表示值的一半定义了字符。而ISO - 8859 - 1编码（通常称为“Latin - 1”）用带重音的字符和特殊符号填补了空白，使更多语言能够使用该编码。例如，在Latin - 1编码中，十进制值为234的字节被解释为ê，而在ASCII中该值是未定义的。

当我们希望程序按照特定编码处理一组字节时，关键问题在于程序是否真的能这样做。比如，有四个字节值分别为234、116、101和115，我们希望将其视为Latin - 1编码（代表法语单词“êtes”），那么正则表达式!ˆ\w+$”或!ˆ\b”能否匹配呢？这取决于程序的\w和\b是否将这些字节视为Latin - 1字符。

1.2 编码支持的丰富性

在处理特定编码时，需要考虑以下几个重要问题：
- 程序是否理解该编码？
- 程序如何识别数据采用了该编码？
- 正则表达式对该编码的支持程度如何？

编码支持的丰富性涉及以下几个重要方面：
- 多字节编码的字符是否能被正确识别？像点号（.）和[ˆx]这样的表达式是匹配单个字符还是单个字节？
- \w、\d、\s、\b等元字符是否能正确理解编码中的所有字符？例如，即使知道ê是一个字母，\w和\b是否会将其视为字母？
- 程序是否会扩展字符类范围的解释？例如，[a - z]是否能匹配ê？
- 大小写不敏感匹配是否适用于所有字符？例如，ê和Ê是否被视为相等？

有时候情况并非如表面那么简单。例如，Sun的java.