如何在 Java 中匹配 unicode 字符答案

【问题标题】：How do I match unicode characters in Java如何在 Java 中匹配 unicode 字符
【发布时间】：2011-03-07 09:51:02
【问题描述】：

我正在尝试在 Java 中匹配 unicode 字符。

输入字符串：informa

要匹配的字符串：informátion

到目前为止，我已经尝试过：

Pattern p= Pattern.compile("informa[\u0000-\uffff].*", (Pattern.UNICODE_CASE|Pattern.CANON_EQ|Pattern.CASE_INSENSITIVE));
    String s = "informátion";
    Matcher m = p.matcher(s);
    if(m.matches()){
        System.out.println("Match!");
    }else{
        System.out.println("No match");
    }

它显示为“不匹配”。有什么想法吗？

【问题讨论】：

îñfórmåtìön 怎么样？它应该“匹配！”吗？
是的，就是这样。现在只需 á 就可以了。

标签： java regex unicode

【解决方案1】：

“Unicode 字符”一词不够具体。它将匹配 Unicode 范围内的每个字符，因此也匹配“普通”字符。然而，当一个实际上 表示“不在printable ASCII range 中的字符”时，这个术语经常被使用。

在正则表达式中，[^\x20-\x7E]。

boolean containsNonPrintableASCIIChars = string.matches(".*[^\\x20-\\x7E].*");

根据您希望如何处理这些信息，以下是一些有用的后续答案：

【讨论】：

java.text.Normalizer 似乎是要走的路（第 2 条）。 Unicode 匹配似乎没有按预期工作，即使这样做，我也可能会受到性能损失。
如果您的实际功能要求是“摆脱变音符号”，那么这确实是要走的路。你最初的问题只是没有这样表述:)
我认为这个问题不是很清楚。目标是能够将“信息”与“信息”相匹配，从而能够将“a”与任何形式的“á”、“å”等相匹配。删除变音符号然后进行匹配似乎是一种方式去。

【解决方案2】：

是因为informa 根本不是informátion 的子字符串吗？

如果您在正则表达式中从informa 中删除最后一个a，您的代码将如何工作？

【讨论】：

informa\u0301 在模式字符串中工作。这与 Pattern.CANON_EQ 案例有关。
忘记添加链接了，java.sun.com/docs/books/tutorial/essential/regex/pattern.html (Pattern.CANON_EQ)

【解决方案3】：

听起来您想匹配字母而忽略变音符号。如果正确，则将您的字符串规范化为 NFD 形式，去掉变音符号，然后进行搜索。

String normalized = java.text.Normalizer.normalize(textToSearch, java.text.Normalizer.Form.NFD);
String withoutDiacritical = normalized.replaceAll("\\p{InCombiningDiacriticalMarks}+", "");
// Search code goes here...

要了解有关 NFD 的更多信息：

【讨论】：