在某處有UTF-8的語言字符區域列表嗎？

Question

我試圖以識別不同語言字符的方式分析一些UTF-8編碼的文檔。 對於我的工作方法，我需要忽略非語言字符，例如控制字符，數學符號等。只是試圖剖析UTF標准的基本拉丁部分導致了多個區域，像分區符號這樣的字符正好在一系列有效拉丁字符的中間部分。

是否有某個列表可以識別這些區域？ 或者更好的是，一個正則表達式定義了C＃中可以識別不同字符的區域或東西？

Answer 1

查看Unicode 字符類別 。 您可以使用字符類語法\\p{catname}在C＃正則表達式中匹配這些。 因此，要匹配小寫字母，您將使用\\p{Ll} 。 你可以結合這些。 [\\p{Ll}\\p{Lu}]匹配Ll或Lu類中的字符。

Answer 2

您可以使用\\p{XXX}來匹配unicode類別。 例如， \\p{Cc}匹配所有控制字符。

我猜你可以使用\\w匹配（L *）中的所有字母。 它在unicode模式下等於[\\p{Ll}\\p{Lu}\\p{Lt}\\p{Lo}\\p{Nd}\\p{Pc}] 。

請參閱http://www.fileformat.info/info/unicode/category/index.htm類別列表。

Answer 3

您可能對C標識符中合法的通用alpha感興趣。