用于匹配 Unicode 模式的正则表达式

Question

我正在尝试在上传文件时验证文件的内容，但我坚持使用 Unicode 编码。 我对找到不在 ASCII 范围内的 Unicode 特殊字符不感兴趣。 我试图找出文件的内容是否至少包含一种 Unicode 模式，例如 \F。

例如，我排除了任何包含“script”字样的文件，但如果该文件包含用 Unicode 编写的这个字词怎么办？ 当然，Java 在读取内容时会将其解码为普通字符串，但是如果我不能依赖它呢？

所以，据我在互联网上搜索，我看到过像\F 这样写的Unicode 字符，或者像U+0046 这样写的Unicode 字符。 基于此，我编写了以下正则表达式：

(\\u|U\+)....

这意味着 \\u 或 U+ 后跟四个字符。 这种模式实现了我的愿望，但我想知道是否还有其他方法可以编写 Unicode 字符。 它总是 \\u 或 U+？ \\u 或 U+ 之后可以多于或少于 4 个字符吗？

谢谢

Answer 1

属于 Unicode 的符号 U+任意数量的十六进制数字在代码中的任何地方都不起作用。 在 java 源代码和 *.properties \\u\u003c/code>后跟四个十六进制数字是 Unicode 的 UTF-16 编码，自动解析。

要搜索的模式：

"\\\\u[0-9A-Fa-f]{4}"

或者一个 String.contains ：

"\\u"

对于完整的 UTF-32 范围，在 Java \\Uxxxxxx其他语言中\\Uxxxxxx （六个十六进制字符）是可能的。 不幸的是，Java 8 并非如此。