Java regex：在带重音的文本中搜索不带重音的字符串答案

【问题标题】：Java regex: search for a string without accent in a text with accentJava regex：在带重音的文本中搜索不带重音的字符串
【发布时间】：2019-03-27 17:29:26
【问题描述】：

在我的 Java 应用程序中，我想使用正则表达式来了解文本中是否存在字符串。

我要介绍的情况是这样的：假设我的原始文本是以下法语文本（带重音）：

démo test

我想知道文本中是否存在单词demo（没有重音），使用正则表达式。问题是：我无法更改原始文本（例如，我不能使用 Normalizer.normalize()），因为我使用的库将正则表达式作为参数。

这是我尝试过的：

如果我使用"(?i)démo"，则存在匹配项（因为存在démo）
如果我使用"(?i)demo"，没有匹配，但我也想在这里匹配。我希望正则表达式不区分重音。

到目前为止，我还没有找到可以涵盖该特定情况的正则表达式。

是否有任何正则表达式可以涵盖这种情况？

感谢您的帮助。

【问题讨论】：

该文本不包含没有重音的demo。你的匹配器说它有吗？请在您的问题中包含代码、各种输入案例和预期输出（不是 cmets）。
当文本为démo 或仅当它为demo 时，正则表达式是否应该返回true？
@CarlosHeuberger：正则表达式应该告诉我“démo test”和“demo”匹配。
您只处理法语吗？或者您可能有未知数量的带有重音符号的字母？
你必须先规范化文本。 Java 会这样做吗？

标签： java regex

【解决方案1】：

假设您确实无法更改输入文本，则以下工作：

如果您的输入文本是分解的形式，这意味着 démo 包含 unicode 代码点 d e COMBINING ACUTE ACCENT m o，您可以选择匹配重音：

de\pM?mo

其中\pM 描述了unicode 属性"Mark"。这将匹配所有标记。如果您只关心确切的口音，您也可以选择直接匹配\u0301

如果您的文本采用组合形式，即 démo 包含 unicode 代码点 d LATIN SMALL LETTER E WITH ACUTE m o，则您必须手动匹配正则表达式：

d(e|é)mo

【讨论】：

【解决方案2】：

一种方法是修改正则表达式文字以搜索和替换重音符号
一个类的字符。

 Regex string           Replace string
---------------------------------------------
Find any one          Replace with this lieral:
of these:

 [aâàä]         ->       [aâàä]
 [cç]           ->       [cç]
 [eéèêë]        ->       [eéèêë]
 [iîï]          ->       [iîï]
 [oô]           ->       [oô]
 [uùûü]         ->       [uùûü]
 [?œ]           ->       ????

这需要在搜索字符串上运行 7 个单独的正则表达式。
这将是七次全局查找/替换。

【讨论】：