\b 的正则表达式

Question

我正在用 Java 为 unicode 文本编写正则表达式。然而，对于我正在使用的特定脚本 - 梵文 (0900 - 097F)，单词边界存在问题。 \b 匹配依赖元音的字符（如 093E-094C），因为它们被视为空格字符。

示例： 假设我有字符串：“कमल कमाल कम्हल कम्हाल” 请注意，第二个单词中的“मा”是由 म 和 ा（识别为空格字符）组合而成的。最后一句话也是如此。 这导致 \b 将 'कमाल' 中的 'ल' 与正则表达式 \b\w\b 匹配，根据语言，该正则表达式不正确。

我希望这个例子有所帮助。

我可以编写一个行为类似于 \b 的正则表达式，但它不匹配某些字符吗？任何反馈将不胜感激。

Answer 1

您应该能够使用以下正则表达式运算符完成您想要的操作：

(?=X)   X, via zero-width positive lookahead
(?!X)   X, via zero-width negative lookahead
(?<=X)  X, via zero-width positive lookbehind
(?<!X)  X, via zero-width negative lookbehind

（以上引自Java 6 Pattern API docs。）

在单词前使用(?<![foo])(?=[foo]) 代替\b，在单词后使用(?<=[foo])(?![foo]) 代替\b，其中“[foo]”是您的“单词字符”集

Answer 2

单词边界的等价物（如果边界不是您所期望的）将是：

 (?<!=[x-y])(<?=[x-y])...(?<=[x-y])(?![x-y])

这是因为“单词边界”的意思是“一侧有字符而另一侧没有字符的位置）

因此，使用后视和前瞻表达式，您可以定义自己的字符类 [x-y] 以检查何时要隔离“单词边界”