使用正则表达式在中英文之间添加空格

|-------------------------------------------------------------------------------------------------------------------------|-------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|
| | 博主历时三年精心创作的《大数据平台架构与原型实现：数据中台建设实战》一书现已由知名IT图书品牌电子工业出版社博文视点出版发行，点击《重磅推荐：建大数据平台太难了！给我发个工程原型吧！》了解图书详情，京东购书链接：https://item.jd.com/12677623.html，扫描左侧二维码进入京东手机购书页面。 |

有时为了排版需要，我们可能需要在文章的中英文之间添加空格，特别是中文中引用了英文单词时，这种情况使用正则表达式整体修订是最明智的做法。首先，推荐使用在线的正则表格式工具：https://regex101.com/ , 该工具非常强大，支持几乎所有的编程语言风格！

本文所谓的"英文单词"实为：由多个英文字符、空格、数字、小数点、连字符、下划线构成的复合短语，其中英文字符是必须的（避免替换类似："第1节" 这样的文本），其他字符可选，这种Pattern除了可以匹配纯单词外，还能匹配类似S3、EC2、V1.0、Example-1等文本。以下具体的做法，由于替换的方式不同，所以以下几种替换需要依次执行。

1. 前后都是中文字符，中间是英文单词

正则表达式：

([\u4e00-\u9fa5]+)([A-Za-z]+[\s\d\.\-_]*)+([\u4e00-\u9fa5]+)

替换表达式：

$1 $2 $3

2. 前面是中文字符，中间是英文单词，后面是中文标点符号

正则表达式：

([\u4e00-\u9fa5]+)([A-Za-z]+[\s\d\.\-_]*)+([\u3002\uff1b\uff0c\uff1a\u201c\u201d\uff08\uff09\u3001\uff1f\u300a\u300b])

替换表达式：

$1 $2$3

3. 以英文单词开头(段落开始处），后面是中文字符

正则表达式：

(^([A-Za-z]+[\s\d\.\-\_]*)+)([\u4e00-\u9fa5]+)

替换表达式：

$1 $3

---

细节说明：

在测试第3种情况时，遇到一个"弯"，简单记录一下。起初测试的是下面的版本：

^([A-Za-z]+[\s\d\.\-\_]*)+([\u4e00-\u9fa5]+)

发现对于Spark 2 Spark-2 Spark_2 Spark2.0是种测试情况这样的文本，虽然能匹配上，但是替换时的分组有问题：

从上面的截图来看，第1分组实际上是最后一组单词，这就导致替换后前面的Spark 2 Spark-2 Spark_2 都丢失了。这个问题并不是匹配表达式写的不对，而是提取分组不对，对比上面的正确版本可知，我们需要在^([A-Za-z]+[\s\d\.\-\_]*)+的外面再用小括号包裹一层，从而形成一个独立分组，相应的分组替换就变成了$1 $3：

测试文本：

测试Spark 2这种情况

测试Spark-2这种情况

测试Spark_2这种情况

测试Spark2.0这种情况

测试Spark 2 Spark-2 Spark_2 Spark2.0这种情况

Spark 2是种测试情况

Spark-2是种测试情况

Spark_2是种测试情况

Spark2.0是种测试情况

Spark 2 Spark-2 Spark_2 Spark2.0是种测试情况