检测Java中的任何组合字符

Question

我正在寻找一种方法来检测 java 字符串中的字符是否“是组合字符”。例如，

String khmerCombiningVowel = 
 new String(new byte[]{(byte) 0xe1,(byte) 0x9f,(byte) 0x80}, "UTF-8"); // unicode 17c0

代表combining Khmer vowel sign。我试过"\\p{InCombiningDiacriticalMarks}"regex，但它似乎不适用于这些特殊的组合字符。或者即使有所有 unicode 组合字符块的完整列表，我也可以为它们制作一个正则表达式？

Answer 1

根据Algorithm to check for combining characters in Unicode，有很多块用于组合字符。

Java 有很多有用的功能，试试吧：

String codePointStr = new String(new byte[]{(byte) 0xe1, (byte) 0x9f, (byte) 0x80}, "UTF-8"); // unicode 17c0
System.out.println(codePointStr.matches("\\p{Mc}"));
System.out.println(
    Character.COMBINING_SPACING_MARK == Character.getType(codePointStr.codePointAt(0)));

（在两种情况下都打印为真）

在这种情况下，COMBINING_SPACING_MARK（和相关的正则表达式\p{gc=Mc}）都指的是Unicode category“标记，间距组合”，它基本上是与前一个字符组合同时还增加宽度的任何字符。

其他可能有用的正则表达式：\p{M} for any kind of mark。如果你想使用 Character getType() 常量，你可以通过检查它的类型是 COMBINING_SPACING_MARK 或 ENCLOSING_MARK 或 NON_SPACING_MARK 来获得相同的行为。

ENCLOSING_MARK 是一个环绕字符，就像一个圆圈 - 也会增加与其组合的字符的宽度。

NON_SPACING_MARK 包括拉丁字母变音组合标记等（标记基本上在顶部或底部，并且不给字符添加任何宽度）。