正則表達式是否足夠，還是我需要檢查編碼？

Question

我有一個要求，確保電子郵件地址包含標準的美國英文字符。沒有辯論這是什麼意思，這是否是可取的，我想知道是否只有一個正則表達式足以滿足這個要求，還是我還需要檢查字符集？

是否有其中UTF-8字符可以通過正則表達式，但不是在在正則表達式中使用的拉丁字符集的情況？

這是一些代碼，我使用的，它似乎對我來說，正則表達式是足夠的，但我想一個第二意見。

package misc; 

import java.io.UnsupportedEncodingException; 

public class ValidateCharacterSet { 
    public static void main(String args[]) { 
     String czech = "Český"; 
     String japanese = "日本語"; 
     String spanish = "¡Qué magnifico es java!"; 
     String english = "elephant_in-theRoom@yahoo.com"; 

     System.out.println("iso check: " + czech + ":" + isISO8859(czech)); 
     System.out.println("iso check: " + japanese + ":" + isISO8859(japanese)); 
     System.out.println("iso check: " + spanish + ":" + isISO8859(spanish)); 
     System.out.println("iso check: " + english + ":" + isISO8859(english)); 

     System.out.println(""); 

     System.out.println("regex match: " + czech + ":" + playWithMatches(czech)); 
     System.out.println("regex match: " + japanese + ":" + playWithMatches(japanese)); 
     System.out.println("regex match: " + spanish + ":" + playWithMatches(spanish)); 
     System.out.println("regex match: " + english + ":" + playWithMatches(english)); 
    } 


    /** 
    * Returns true if the string is null, or the original string (str) equals the string (encodedAsISO8859) 
    * that was encoded ISO-8859-1. 
    * 
    * @param str String containing bytes for which to check the encoding. 
    * @return True if the string is in ISO-8859-1 format. 
    */ 
    private static boolean isISO8859(String str) { 
     // a null string is compliant by definition. 
     if (str == null) { 
      return true; 
     } 

     try { 
      byte[] iso88591Data = str.getBytes("ISO-8859-1"); 
      String encodedAsISO8859 = new String(iso88591Data, "ISO-8859-1"); 
      if (str.equals(encodedAsISO8859)) { 
       return true; 
      } 
     } catch (UnsupportedEncodingException e) { 
      e.printStackTrace(); 
     } 

     return false; 
    } 

    private static boolean playWithMatches(String str) { 
     return (str != null && str.matches("[A-Za-z0-9\\-_\\.@\\+]+")); 
    } 
} 

Answer 1

我想你混淆了字符集和字符編碼。字符集是允許或可用的字符集，而字符編碼描述了您如何訪問字符集。對於像ISO-8859-1這樣的字符集，區別並不明顯，其中有一個單一的標準編碼，即傳入一個數字會得到與該數字關聯的字符。設置像Unicode作爲存在用於一個字符集多個編碼的字符處理，當它是更加明顯，即UTF-8, UTF-16, UTF-32（爪哇在其字符串使用UTF-16）。

一旦你定義的字符集是什麼，在這種情況下，「美國標準英文字符，」正則表達式是足夠的，以檢查是否一個給定的字符串中的字符只包含的字符集的字符。如果沒有必要，您不需要，也不想處理較低級別的編碼問題。例如，您的isISO8859方法在技術上不能保證可以正常工作。兩者getBytes方法並且使用String構造是documented給出字符時具有未指定的行爲/字節不是作爲指定的字符編碼的部分有效。