Java 支持 Unicode 的正則表達式？

Question

為了匹配 A 到 Z，我們將使用正則表達式：

[A-Za-z]

如何讓正則表達式匹配用戶輸入的utf8字符？ 例如像環保部這樣的中文詞

Answer 1

您正在尋找的是 Unicode 屬性。

例如\\p{L}是來自任何語言的任何類型的字母

所以匹配這樣一個中文單詞的正則表達式可能是這樣的

\p{L}+

有很多這樣的屬性，有關更多詳細信息，請參閱regular-expressions.info

另一種選擇是使用修飾符

Pattern.UNICODE_CHARACTER_CLASS

在 Java 7 中有一個新屬性Pattern.UNICODE_CHARACTER_CLASS可以啟用預定義字符類的 Unicode 版本，請在此處查看我的答案以獲取更多詳細信息和鏈接

你可以做這樣的事情

Pattern p = Pattern.compile("\\w+", Pattern.UNICODE_CHARACTER_CLASS);

和\\w將匹配來自任何語言的所有字母和所有數字（當然還有一些組合字符的單詞，如_ ）。

Answer 2

為了解決 NLS 支持並避免接受英文特殊字符，我們可以使用以下模式...

[a-zA-Z0-9 \€-\鿿]*+

對於 UTF 代碼點參考： http : //www.utf8-chartable.de/unicode-utf8-table.pl

代碼片段：

    String vowels = "అఆఇఈఉఊఋఌఎఏఐఒఓఔౠౡ";
    String consonants = "కఖగఘఙచఛజఝఞటఠడఢణతథదధనపఫబభమయరఱలళవశషసహ";
    String signsAndPunctuations = "కఁకంకఃకాకికీకుకూకృకౄకెకేకైకొకోకౌక్కౕకౖ";
    String symbolsAndNumerals = "౦౧౨౩౪౫౬౭౮౯";
    String engChinesStr = "ABC導字會";


    Pattern ALPHANUMERIC_AND_SPACE_PATTERN_TELUGU = Pattern
            .compile("[a-zA-Z0-9 \\u0c00-\\u0c7f]*+");
    System.out.println(ALPHANUMERIC_AND_SPACE_PATTERN_TELUGU.matcher(vowels)
            .matches());


    Pattern ALPHANUMERIC_AND_SPACE_PATTERN_CHINESE = Pattern
            .compile("[a-zA-Z0-9 \\u4e00-\\u9fff]*+");

    Pattern ENGLISH_ALPHANUMERIC_SPACE_AND_NLS_PATTERN = Pattern
            .compile("[a-zA-Z0-9 \\u0080-\\u9fff]*+");

    System.out.println(ENGLISH_ALPHANUMERIC_SPACE_AND_NLS_PATTERN.matcher(engChinesStr)
            .matches());

Answer 3

要匹配單個字符，您可以簡單地將它們包含在字符類中，作為文字或通過\ϻ語法。

顯然，您通常無法列出表意語言中所有允許的字符。 為了使正則表達式根據其類型或代碼塊處理 unicode 字符，支持此處定義的各種其他轉義。 查看“Unicode 支持”一節，特別是對Character類和 Unicode 標准本身的引用。

Answer 4

• Java 正則表達式 API 適用於char類型
• char類型隱式為 UTF-16
• 如果您有 UTF-8 數據，則需要在輸入時將其轉碼為 UTF-16，如果這還沒有完成的話

Unicode 是通用字符集，UTF-8 可以描述所有字符（包括控制字符、標點符號、符號、字母等）。您必須更具體地說明要包含的內容和要排除的內容。 Java 正則表達式使用\\p{category}語法按category匹配代碼點。 有關類別列表，請參閱Unicode 標准。

如果您想在一系列表意文字中識別和分隔單詞，您將需要查看更復雜的 API。 我將從BreakIterator類型開始。

Answer 5

從Java 9開始，還可以用\X來匹配任何Unicode的擴展字素簇。 在Java 文檔中查看更多信息：模式。