我正在尝试使用诸如[ăâîșțĂÂÎȘȚ] 之类的正则表达式来匹配罗马尼亚字母变音符号（ISO 8859-16/Windows-1250）。问题是正则表达式也会匹配 a,i,s,t,A,I,S,T（上述变音符号的拉丁字母对应字符）的正则表达式，我不想要这个。
由于性能时间问题，我没有尝试逐个字符地比较字符串。
无论如何我可以使正则表达式完全匹配这些字符吗？
【问题讨论】：
标签： java regex nlp diacritics
如果您的正则表达式作为文字呈现的文本存在，则它已经被合并
并且应该作为不同的代码点存在。
000074 t LATIN SMALL LETTER T
+
000326 ̦ COMBINING COMMA BELOW
=
00021B ț LATIN SMALL LETTER T WITH COMMA BELOW
以防万一，您应该使用十六进制代码点来表示它们，即。 u\021B
Java 引擎是否有可能从正则表达式中剥离组合字符？
x21B 在哪里变成 x74？可能就是这样。
同时，如果您希望源中的字母不会被渲染，您可以
使用像\p{Script=Latin}\p{Block=Combining_Diacritical_Marks}这样的正则表达式
得到那些。
更新信息：
在寻找事实上的解决方案时，我遇到了这个 Java 信息
来自http://www.regular-expressions.info/unicode.html。
在 Java 中，正则表达式标记 \uFFFF 仅匹配指定的 代码点，即使您打开规范等价。 但是，同样的语法 \uFFFF 也用于插入 Unicode 字符转换为 Java 源代码中的文字字符串 代码。 Pattern.compile("\u00E0") 将匹配 à的单码点和双码点编码， 而 Pattern.compile("\u00E0") 只匹配 单码点版本。请记住，在编写 正则表达式作为 Java 字符串文字，必须转义反斜杠。 前一个 Java 代码编译正则表达式 à，而后者 编译\u00E0。取决于你在做什么， 差异可能很大。
因此，通过在类中输入对偶文字，它看起来像 Pattern.compile("[à]")
实际上会匹配
000061 a LATIN SMALL LETTER A
or
000300 ̀ COMBINING GRAVE ACCENT
or
0000E0 à LATIN SMALL LETTER A WITH GRAVE
将代理对放在类中时，这会产生同样的问题。
有一个解决方案。
避免在类中输入这些文字。
相反，将它们作为一系列交替(?:à|_|_|_)
这样做会强制它匹配任何一个
000061 a LATIN SMALL LETTER A
000300 ̀ COMBINING GRAVE ACCENT
或
0000E0 à LATIN SMALL LETTER A WITH GRAVE
它不会像您现在看到的那样独立于 grave 匹配 a。
注意 - 如果你只使用“[\\u00E0]”，你会错过a + grave。
这是有效的。
【讨论】：
我相信这是因为这些字符被视为两个 Unicode 代码点。我建议尝试使用像 \uFFFF 这样的语法来专门匹配代码点，其中 FFFF 是代码点。确切的语法将取决于您使用的正则表达式实现。
请记住，Unicode 字符可以编码为单个代码点或多个代码点，因此您需要考虑这一点。示例：à 编码为 U+0061 U+0300 和 U+00E0。
我希望这会有所帮助！
【讨论】：
正如 Unicode 中已经提到的，有两种选择。
'\u0061' 'a' LATIN SMALL LETTER A
'\u0300' ̀ COMBINING GRAVE ACCENT
或
'\u00E0' 'à' LATIN SMALL LETTER A WITH GRAVE
有一个Normalizer 可以“规范化”为任一形式（并处理连字）：
String regex = "(?u)[ăâîșțĂÂÎȘȚ]";
regex = Normalizer.normalize(regex, Form.NFC); // Composed form
Pattern pattern = Pattern.compile(regex);
使用 "(?u)" 或带有 UNICODE 标志的 Pattern.compile 标志可能已经解决了问题。但是使用没有单独的拉丁文 ('a') 的 Unicode 变体当然可以。
规范化器应该特别应用于搜索到的字符串。
【讨论】：