将（例如）Unicode 字母与 Java 正则表达式匹配

Question

StackOverflow 上有很多问题和答案，假设“字母”可以在正则表达式中通过 [a-zA-Z] 进行匹配。然而，对于 Unicode，还有更多的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 定义了许多块，每个块都可能有“字母”。Java

定义 为字母字符等定义了 Posix 类，但指定为仅适用于 US-ASCII。预定义的字符类定义由 组成的单词[a-zA-Z_0-9]，它也排除了许多字母，

那么如何正确匹配 Unicode 字符串呢？

Answer 1

这里有一个非常好的解释：

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

一些提示：

遗憾的是，Java 和 .NET 尚不支持 \X。使用 \P{M}\p{M}* 作为替代。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，即使您打开了规范等效性也是如此。但是，相同的语法 \uFFFF 也用于将 Unicode 字符插入到 Java 源代码中的文字字符串中。 Pattern.compile("\u00E0") 将匹配 à 的单代码点和双代码点编码，而 Pattern.compile( "\\u00E0") 仅匹配单代码点版本。请记住，将正则表达式编写为 Java 字符串文字时，必须对反斜杠进行转义。前一个Java代码编译正则表达式à，而后者编译\u00E0。根据您所做的事情，差异可能会很大。

Answer 2

您是在谈论 Unicode 类别，例如字母吗？它们通过 \p{CAT} 形式的正则表达式进行匹配，其中“CAT”是类别代码，例如任何字母的 L 或子类别，例如 Lu 表示大写，Lt 表示标题大写。

Answer 3

引用 java.util.regex 的 JavaDoc。模式。

Unicode 支持

该类符合
Unicode 技术标准 #18 的第 1 级：Unicode 正则表达式指南，以及 RL2.1 规范等效项.

Unicode 转义序列，例如
Java源代码中的\u2014是
按照 §3.3 中的描述进行处理
Java 语言规范。这样的
转义序列也被实现
直接通过正则表达式
解析器，以便 Unicode 转义可以
用于读取的表达式
文件或从键盘。因此
字符串“\u2014”和“\\u2014”，而
不相等，编译成相同的
模式，与字符匹配
十六进制值 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
input 有属性 prop，而
如果输入 \P{prop} 则不匹配
有那个属性。块是
用前缀 In 指定，如
蒙古语。类别可能是
使用可选前缀 Is 指定：
\p{L} 和 \p{IsL} 都表示
Unicode 字母的类别。积木
和类别都可以在内部使用
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
类别名称是那些定义在
标准，既是规范性的又是
内容丰富。支持的块名称
by Pattern 是有效的块名称
接受并定义为
UnicodeBlock.forName。