Perché lo spazio non-breaking non è un carattere di spazio bianco in java?

Question

Durante la ricerca di un modo corretto per tagliare lo spazio non interrotto dall'HTML analizzato, per prima cosa sono incappato nella definizione spartana di Java di String.trim() che è almeno adeguatamente documentata. Volevo evitare di elencare esplicitamente caratteri idonei per il ritaglio, quindi ho pensato che usare i metodi di supporto Unicode sulla classe Personaggio avrebbe fatto il lavoro per me.

Questo è quando ho scoperto che Character.isWhitespace(char) esclude esplicitamente spazi unificatori:

E 'un Unicode carattere di spazio (SPACE_SEPARATOR, LINE_SEPARATOR, o PARAGRAPH_SEPARATOR) ma non è anche uno spazio unificatore ('\u00A0' , '\u2007', '\u202F').

Perché è quello?

L'implementazione di corresponding .NET equivalent è meno discriminante.

Answer 1

Character.isWhitespace(char) è vecchio. Davvero vecchio Molte cose fatte nei primi giorni di Java seguivano convenzioni e implementazioni da C.

Ora, più di un decennio dopo, queste cose sembrano errate. Consideralo come prova di quanto siano arrivate le cose, anche tra i primi giorni di Java e i primi giorni di .NET.

Java aspira a essere compatibile al 100% con le versioni precedenti. Quindi, anche se il team di Java pensava che sarebbe stato utile correggere il loro errore iniziale e aggiungere spazi non interrotti all'insieme di caratteri che restituisce true da Character.isWhitespace (char), non possono, perché esiste quasi sicuramente un software che si affida all'attuale implementazione funzionando esattamente come fa.

Answer 2

Sembra che il nome del metodo (isWhitespace) non sia coerente con la sua funzione (per rilevare i separatori). La funzionalità "separatore" è abbastanza evidente se si guarda l'elenco completo dei personaggi dalla pagina Javadoc hai citato:

* 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 '\u0009', HORIZONTAL TABULATION. 
* It is '\u000A', LINE FEED. 
* It is '\u000B', VERTICAL TABULATION. 
* It is '\u000C', FORM FEED. 
* It is '\u000D', CARRIAGE RETURN. 
* It is '\u001C', FILE SEPARATOR. 
* It is '\u001D', GROUP SEPARATOR. 
* It is '\u001E', RECORD SEPARATOR. 
* It is '\u001F', UNIT SEPARATOR. 

Una funzione di spazio unificatore si suppone che sia spazio visivo tra le parole che non è separata da algoritmi di sillabazione.

Answer 3

Direi che l'implementazione di Java è più corretta di .NET. Lo spazio senza interruzioni è essenzialmente un carattere non di uno spazio bianco che sembra uno. Cioè, se hai le stringhe "foo" e "bar", e metti tra loro qualsiasi carattere tradizionale di spazi vuoti, otterrai un'interruzione di parole. Uno spazio senza interruzione, tuttavia, non rompe i due.

Answer 4

L'unica volta che uno spazio irrinunciabile deve essere trattato in modo speciale è con il codice progettato per eseguire il word-wrapping del testo.

Per tutti gli altri scopi, compresi il conteggio delle parole, il taglio e la divisione generica lungo i confini delle parole, uno spazio non interruttivo è ancora uno spazio bianco.

Qualsiasi argomentazione che uno spazio non interrompente "assomiglia" a uno spazio ma non è in conflitto con il punto intero di Unicode, che rappresenta i caratteri in base al loro significato, non a come vengono visualizzati.

Pertanto, IMHO, l'implementazione Java di String.trim() non funziona come previsto e la funzione sottostante di Character.isWhitespace() è in errore.

La mia ipotesi è che gli implementatori Java abbiano scritto isWhitespace() in base alla necessità di eseguire il text-wrapping all'interno dei controlli. Dovrebbero aver chiamato questa funzione è WordWrappingBoundary() o qualcosa di più chiaro, e usato un test di spazi bianchi meno restrittivo per trim().

Answer 5

Poiché Java 5 esiste anche un metodo isSpaceChar(int). Non fa quello che vuoi?

Determina se il carattere specificato (punto di codice Unicode) è un carattere di spazio Unicode. Un carattere è considerato un carattere di spazio se e solo se è specificato che è uno spazio con lo standard Unicode. Questo metodo restituisce true se il tipo di categoria generale del personaggio è uno dei seguenti: ...

Answer 6

Come postato in precedenza, isSpaceChar(int) fornirà l'OP con una pista per la risposta. Sembra discretamente discretamente documentato, ma questo metodo è in realtà useable with regexes. Quindi:

"X\u00A0X X".replaceAll("\\p{javaSpaceChar}", "_"); 

produrrà una stringa "X_X_X". È lasciato come esercizio per il lettore di venire con la regex per tagliare una stringa. (Il modello con alcune bandiere dovrebbe fare il trucco.)

Answer 7

Anche essere cauti quando si utilizza la funzione di apache comuni StringUtils.isBlank() (e funzioni correlate) che ha lo stesso strano comportamento isWhitespace, vale a dire uno spazio non interruzione è considerato non- vuoto.