用 Java 正则表达式匹配（例如）一个 Unicode 字母

Question

StackOverflow 上有很多问题和答案，假设“字母”可以在正则表达式中由 [a-zA-Z] 匹配。然而，对于 Unicode，还有更多字符被大多数人视为字母（所有希腊字母、西里尔字母 .. 等等。Unicode defines many blocks 每个都可能有“字母”。

Java 定义 defines Posix classes 用于诸如字母字符之类的内容，但它被指定为仅适用于 US-ASCII。预定义的字符类将单词定义为由[a-zA-Z_0-9] 组成，这也排除了许多字母。

那么如何正确匹配 Unicode 字符串？有没有其他图书馆可以做到这一点？

Answer 1

这里有一个很好的解释：

http://www.regular-expressions.info/unicode.html

一些提示：

“遗憾的是，Java 和 .NET 不支持 \X（目前）。使用 \P{M}\p{M}* 作为替代品。要匹配任意数量的字素，请使用 (?:\P{M}\p{M}*)+ 而不是 \X+。”

"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也是如此。但是，相同的语法 \uFFFF 也用于将 Unicode 字符插入到 Java 源中的文字字符串中代码。Pattern.compile("\u00E0") 将匹配à 的单码点和双码点编码，而Pattern.compile("\\u00E0") 仅匹配单码点版本。请记住，在将正则表达式编写为 Java 字符串时文字，反斜杠必须转义。前 Java 代码编译正则表达式 à，而后者编译 \u00E0。根据您的操作，差异可能很大。"

Answer 2

您是在谈论 Unicode 类别，例如字母吗？这些由\p{CAT} 形式的正则表达式匹配，其中“CAT”是类别代码，如L 用于任何字母，或子类别如Lu 用于大写或Lt 用于标题大小写。

Answer 3

引用java.util.regex.Pattern的JavaDoc。

Unicode 支持

这个类符合 Unicode 技术标准 #18 的第 1 级：Unicode Regular Expression Guidelines，加上 RL2.1 规范等效项。

Unicode 转义序列，例如 \u2014 在 Java 源代码中是 按照§3.3 的描述进行处理 Java 语言规范。这样的 还实现了转义序列 直接通过正则表达式 解析器，以便 Unicode 转义可以 用于从 文件或从键盘。就这样 字符串“\u2014”和“\\u2014”，而 不相等，编译成一样 模式，匹配字符 十六进制值为 0x2014。

Unicode 块和类别是 用 \p 和 \P 结构编写 就像在 Perl 中一样。 \p{prop} 匹配，如果 输入具有属性道具，而 \P{prop} 如果输入不匹配 有那个属性。块是 用前缀 In 指定，如 在蒙古语。类别可能是 用可选前缀指定是： \p{L} 和 \p{IsL} 都表示 Unicode 字母的类别。块 和类别都可以在里面使用 并且在字符类之外。

支持的类别是 版本中的 Unicode 标准 由 Character 类指定。这 类别名称是在 标准，无论是规范性的还是 内容丰富。支持的块名称 by Pattern 是有效的块名称 接受和定义 UnicodeBlock.forName。