正则表达式：去除Unicode

Posted 2020-11-28 arthemis-z

背景：最近在做中文分词的时候，发现分词后的数据中出现很多特殊字符，即使进行了去停用词操作，但是特殊字符太多，也不可能都加到停用词里，所以就准备用正则去掉，正则很简单，直接上代码：

    /**
     * 正则去掉unicode等特殊字符
     * */
    private static String regularFilter(String text) {
        /**
         * p{L}或p{Letter}：来自任何语言的任何形式的字母。
         *      p{Ll}或p{Lowercase_Letter}：小写字母，带有大写字母。
         *      p{Lu}或p{Uppercase_Letter}：具有小写字母变体的大写字母。
         *      p{Lt}或p{Titlecase_Letter}：仅当单词的第一个字母大写时，出现在单词开头的字母。
         *      p{L＆}或p{Cased_Letter}：存在小写和大写变体（Ll，Lu和Lt的组合）的字母。
         *      p{Lm}或p{Modifier_Letter}：一个特殊字符，用作字母。
         *      p{Lo}或p{Other_Letter}：没有小写和大写变体的字母或表意文字。
         * p{M}或p{Mark}：打算与另一个字符组合的字符（例如重音符号，变音符，封闭框等）。
         *      p{Mn}或p{Non_Spacing_Mark}：旨在与另一个字符组合而又不占用多余空间（例如重音符号，变音符号等）的字符。
         *      p{Mc}或p{Spacing_Combining_Mark}：一个字符，旨在与另一个占用额外空间的字符组合（许多东方语言中的元音符号）。
         *      p{Me}或p{Enclosing_Mark}：一个字符，它将与之组合的字符括起来（圆形，正方形，键帽等）。
         * p{Z}或p{Separator}：任何类型的空格或不可见的分隔符。
         *      p{Zs}或p{Space_Separator}：一个不可见但占用空间的空白字符。
         *      p{Zl}或p{Line_Separator}：行分隔符U + 2028。
         *      p{Zp}或p{Paragraph_Separator}：段落分隔符U + 2029。
         * p{S}或p{Symbol}：数学符号，货币符号，装饰符号，画框的字符等。
         *      p{Sm}或p{Math_Symbol}：任何数学符号。
         *      p{Sc}或p{Currency_Symbol}：任何货币符号。
         *      p{Sk}或p{Modifier_Symbol}：组合字符（标记）本身就是完整字符。
         *      p{So}或p{Other_Symbol}：不是数学符号，货币符号或组合字符的各种符号。
         * p{N}或p{Number}：任何脚本中的任何数字字符。
         *      p{Nd}或p{Decimal_Digit_Number}：除表意文字外，任何文字中的数字从零到九。
         *      p{Nl}或p{Letter_Number}：看起来像字母的数字，例如罗马数字。
         *      p{No}或p{Other_Number}：上标或下标数字，或者不是0到9的数字（表意文字中的数字除外）。
         * p{P}或p{Punctuation}：任何一种标点符号。
         *      p{Pd}或p{Dash_Punctuation}：任何类型的连字符或破折号。
         *      p{Ps}或p{Open_Punctuation}：任何类型的左括号。
         *      p{Pe}或p{Close_Punctuation}：任何类型的右括号。
         *      p{Pi}或p{Initial_Punctuation}：任何形式的开头引号。
         *      p{Pf}或p{Final_Punctuation}：任何形式的结束语。
         *      p{Pc}或p{Connector_Punctuation}：标点符号，例如连接单词的下划线。
         *      p{Po}或p{Other_Punctuation}：不是破折号，方括号，引号或连接符的任何一种标点符号。
         * p{C}或p{Other}：不可见的控制字符和未使用的代码点。
         *      p{Cc}或p{Control}：ASCII或Latin-1控制字符：0x00–0x1F和0x7F–0x9F。
         *      p{Cf}或p{Format}：不可见的格式指示符。
         *      p{Co}或p{Private_Use}：保留供私人使用的任何代码点。
         *      p{Cs}或p{Surrogate}：采用UTF-16编码的一对代理对的一半。
         *      p{Cn}或p{Unassigned}：未分配任何字符的任何代码点。
         * */
        // 替换成"，"，防止本来不是一起的词被分配到一起影响分词结果,同时"，"会被停用词去掉
        return text.replaceAll("[\pM\pZ\pS\pN\pP\pC]+", "，");
    }

如代码中注释所示，通过使用正则来匹配Unicode所属类别，直接过滤掉了Unicode，非常方便！

注意的是，正则中没有使用“p{L}”，这是因为“p{L}”也会过滤掉中文字符，需要注意，其它的自己看说明并尝试下，就比较清楚了！

参考资料：http://www.regular-expressions.info/unicode.html