包含 unicode 单词的正则表达式

Question

我想匹配包含某个单词的所有字符串。就像：

String regex = (?:\P{L}|\W|^)(ベスパ)(?:\b|$)

但是，Pattern 类不会编译它：

java.util.regex.PatternSyntaxException: Unmatched closing ')' near index 39
(?:\P{L}|\W|^)((?:ベス|ベス|ヘズ)(?:パ)|パ)|ハ)゚)(?:\b|$)

我已经将 unicode_case 设置为编译参数，不确定这里出了什么问题

final Pattern pattern = Pattern.compile(regex, Pattern.CASE_INSENSITIVE | Pattern.UNICODE_CASE| Pattern.CANON_EQ);

感谢您的帮助！ :)

Answer 1

从给出的错误消息来看，它看起来与所示的字符串正则表达式完全不同，我推断原始模式本质上如下所示，我已自行重新格式化，添加符号常量，并以我们可能会使用的行号作为序言更轻松地检查和解决它。

（所有重要的模式都应该始终以(?x)模式编写——即使Java在这里与你作对，你仍然应该这样做。）

  1     (?: \P{L} | \W | ^ )
  2     (
  3         (?: \N{KATAKANA LETTER BE} \N{KATAKANA LETTER SU}
  4           | \N{KATAKANA LETTER BE} \N{KATAKANA LETTER SU}
  5           | \N{KATAKANA LETTER HE} \N{KATAKANA LETTER ZU}
  6         )
  7         (?: \N{KATAKANA LETTER PA} )
  8     |
  9             \N{KATAKANA LETTER PA}
 10     )
 11 |
 12             \N{KATAKANA LETTER HA}
 13     )
 14     \N{COMBINING KATAKANA-HIRAGANA SEMI-VOICED SOUND MARK}
 15     )
 16     (?: \b | $ )

第一个和最后一个这些行是错误的，但它们在与 Java 损坏的正则表达式相关的语义方面是错误的。它们在语法上并没有错误。

现在应该很明显，语法问题是第 13 行和第 15 行的右括号是假的：它们没有相应的左括号。

尽管有第一行和最后一行，我仍然试图理解您真正想要在这里做什么。为什么第 3 行和第 4 行重复？那没有任何用处。我看不出在第 7 行进行分组的原因。

是否意图允许组合标记应用于前面的任何内容？

至于第一行和最后一行的错误，我是否理解您要寻找的只是一个简单的单词边界？您是否真的打算将这些边界字符作为比赛的一部分包括在内，或者您只是想建立边界？你为什么说非字母或非单词？

你知道，单词字符确实包含字母——至少，根据 Unicode 规范，它们确实包含字母，即使 Java 确实犯了这个错误。唉，由于 Java 正则表达式错误，您刚刚包含了一堆字母，所以一旦我明白您真正想要什么，我们就必须重新编码。

如果你使用的东西实际上符合UTS#18，它就可以正常工作，但我想你没有（我没有听说过 ICU），我们必须按照我的思路来修复它之前概述。

对非单词或字符串开头的后向查找适用于第一个单词，对非单词或字符串结尾的前向查找适用于最后一个单词。这就是 \b 当然应该在面对这里的单词字符时所做的事情，并且如果您远离非-，它甚至可能会以这种方式工作。词粒子。

但在我能看到更多的初衷之前，我认为我不应该说更多。

Answer 2

(?:\P{L}|\W|^)((?:ベス|ベス|ヘズ)(?:パ)|パ)|ハ)゚)(?:\b|$)
(            )((              )(   )   )   )  )(      )

错误消息中的模式有两个额外的“）”

Answer 3

正则表达式中的 Unicode 字符是一件棘手的事情。

以下是 Pattern 文档中的一段内容：

Unicode 支持

此类遵循 Unicode 技术报告 #18：Unicode 正则表达式指南，尽管具体语法略有不同，但实现了第二级支持。

Java 源代码中的 \u2014 等 Unicode 转义序列按照 Java 语言规范第 3.3 节中的描述进行处理。此类转义序列也直接由正则表达式解析器实现，以便可以在从文件或键盘读取的表达式中使用 Unicode 转义。 因此，字符串 "\u2014" 和 "\\u2014" 虽然不相等，但会编译为相同的模式，该模式与十六进制值 0x2014。

因此，既然我们知道：

• ベ = \u3049
• su = \u30B9
• パ = \u30D1

编写您所追求的模式的正确方法是：

String regex = "(?:\\P{L}|\\W|^)(\\u30d9\\u30B9\\u30D1)(?:\\b|$)";

进一步阅读：

• Unicode 技术报告 #18：Unicode 正则表达式指南
• Unicode 正则表达式

Answer 4

UNICODE_CHARACTER_CLASS 模式也可以通过嵌入的标志表达式 (?U) 来启用

尝试：

(?U)(?:\P{L}|\W|^)((?:ベス|ベス|ヘズ)(?:パ)|パ)|ハ)゚)(?:\b|$)

但是先修复你的括号，因为我不知道你想要在中间组中输入或输出什么