用 Java 正则表达式匹配（例如）一个 Unicode 字母

Posted 2023-02-26

【中文标题】用 Java 正则表达式匹配（例如）一个 Unicode 字母

【英文标题】：Matching (e.g.) a Unicode letter with Java regexps

【发布时间】：2011-07-15 23:29:51

【问题描述】：

*** 上有很多问题和答案，假设“字母”可以在正则表达式中由 [a-zA-Z] 匹配。然而，对于 Unicode，还有更多字符被大多数人视为字母（所有希腊字母、西里尔字母 .. 等等。Unicode defines many blocks 每个都可能有“字母”。

Java 定义 defines Posix classes 用于诸如字母字符之类的内容，但它被指定为仅适用于 US-ASCII。预定义的字符类将单词定义为由[a-zA-Z_0-9] 组成，这也排除了许多字母。

那么如何正确匹配 Unicode 字符串？有没有其他图书馆可以做到这一点？

【问题讨论】：

这可能也有帮助 - ***.com/questions/4304928/…

@spinning_plate，谢谢。我确实搜索了现有问题，但没有找到。

【参考方案1】：

这里有一个很好的解释：

http://www.regular-expressions.info/unicode.html

一些提示：

“遗憾的是，Java 和 .NET 不支持 \X（目前）。使用 \PM\pM* 作为替代品。要匹配任意数量的字素，请使用 (?:\PM\pM*)+ 而不是 \X+。”

"在 Java 中，正则表达式标记 \uFFFF 仅匹配指定的代码点，即使您打开规范等价也是如此。但是，相同的语法 \uFFFF 也用于将 Unicode 字符插入到 Java 源中的文字字符串中代码。Pattern.compile("\u00E0") 将匹配à 的单码点和双码点编码，而Pattern.compile("\\u00E0") 仅匹配单码点版本。请记住，在将正则表达式编写为 Java 字符串时文字，反斜杠必须转义。前 Java 代码编译正则表达式 à，而后者编译 \u00E0。根据您的操作，差异可能很大。"

【讨论】：

谢谢。该页面还指出了为什么\pL不足以匹配任何字母（您需要\pL\pM*）

这应该被编辑以在 Pattern.compile 语句之一中显示双斜杠。

【参考方案2】：

您是在谈论 Unicode 类别，例如字母吗？这些由\pCAT 形式的正则表达式匹配，其中“CAT”是类别代码，如L 用于任何字母，或子类别如Lu 用于大写或Lt 用于标题大小写。

【讨论】：

@Pointy - 你是对的，你不需要指定子类别。

可以。我设法提供了 Java 规范的链接，但没有注意到它以 Both \pL and \pIsL denote the category of Unicode letters 为例 :( 类别列表在这里 fileformat.info/info/unicode/category/index.htm

虽然看到 @eLobato 的回答为什么 '\pL' 还不够。

【参考方案3】：

引用java.util.regex.Pattern的JavaDoc。

Unicode 支持

这个类符合 Unicode 技术标准 #18 的第 1 级：Unicode Regular Expression Guidelines，加上 RL2.1 规范等效项。

Unicode 转义序列，例如 \u2014 在 Java 源代码中是 按照§3.3 的描述进行处理 Java 语言规范。这样的 还实现了转义序列 直接通过正则表达式 解析器，以便 Unicode 转义可以 用于从 文件或从键盘。就这样 字符串“\u2014”和“\\u2014”，而 不相等，编译成一样 模式，匹配字符 十六进制值为 0x2014。

Unicode 块和类别是 用 \p 和 \P 结构编写 就像在 Perl 中一样。 \pprop 匹配，如果 输入具有属性道具，而 \Pprop 如果输入不匹配 有那个属性。块是 用前缀 In 指定，如 在蒙古语。类别可能是 用可选前缀指定是： \pL 和 \pIsL 都表示 Unicode 字母的类别。块 和类别都可以在里面使用 并且在字符类之外。

支持的类别是 版本中的 Unicode 标准 由 Character 类指定。这 类别名称是在 标准，无论是规范性的还是 内容丰富。支持的块名称 by Pattern 是有效的块名称 接受和定义 UnicodeBlock.forName。

【讨论】：

格式化程序正在吃掉双斜线。这应该说：因此字符串“\u2014”和“\\u2014”，虽然不相等......