用于验证印度语言字符的 Java REGEX 代码不起作用？

Posted 2023-02-24

【中文标题】用于验证印度语言字符的 Java REGEX 代码不起作用？

【英文标题】：Java REGEX code to validate Indian language characters not working?

【发布时间】：2013-04-26 11:15:58

【问题描述】：

为什么以下代码在印度语言中不起作用（导致错误）？

System.out.println(Charset.forName("UTF-8").encode("అనువాద")
                .asCharBuffer().toString().matches("\\pL+"));

System.out.println(Charset.forName("UTF-8").encode("स्वागत")
                .asCharBuffer().toString().matches("\\pL+"));

System.out.println(Charset.forName("UTF-8").encode("நல்வரவு")
                .asCharBuffer().toString().matches("\\pL+"));

以上所有代码都返回 false。这个正则表达式有什么问题？如何验证世界上的任何 unicode 字符？

【问题讨论】：

你应该做"అనువాద".matches("\\pL+")。进一步确保编辑器和编译器都使用相同的字符集（最好的 UTF-8）。

嗨 Joop，我确保编译器和编辑器使用 UTF-8。但仍然 "అనువాద".matches("\\pL+") 结果为假。

使用"(\\pL|\\pM)+"，或者更好的@stema "[\\pL\\pM]+"，也将变音符号视为有效。

【参考方案1】：

\pLetter 只捕获字母，但您还需要标记，您可以使用 \pMark 捕获。

System.out.println("स्वागत".matches("[\\pL\\pM]+"));

【讨论】：

效果很好。太感谢了？对所有国际角色都适用吗？你能解释一下标记吗？再次感谢。

简而言之，标记是与现有字符（如元音变音）组合的特殊字符。它还有很多，如果您需要了解更多，我建议您阅读这篇文章。 regular-expressions.info/unicode.html

我想知道为什么它接受所有输入。以下代码返回 ture。 System.out.println(Charset.forName("UTF-8").encode("स्वागत1@_!^#$%^&*!()_+") .asCharBuffer().toString().matches(" \\PL+\\PM+"));

@suren：您的问题是，Charset.forName("UTF-8").encode("स्वागत1@_!^#$%^&*!()_+") .asCharBuffer().toString() 更改了原始字符串，因为 Java 字符是 UTF-16。

@suren，再次阅读答案，它已被更正，\pL+\pM+ 是错误的，并且只会意外地与您的测试字符串一起使用。