Java regex是否支持Unicode？

Question 1

为了使A与Z匹配，我们将使用正则表达式：

[A-Za-z]

如何允许正则表达式匹配用户输入的utf8字符？例如环保部等中文单词

Question 2

您正在寻找的是Unicode属性。

例如\p{L}来自任何语言的任何形式的信件

因此，匹配这样一个中文单词的正则表达式可能类似于

\p{L}+

有许多这样的属性，有关更多详细信息，请参见regular-expressions.info。

另一种选择是使用修饰符

Pattern.UNICODE_CHARACTER_CLASS

在Java 7中，有一个新属性Pattern.UNICODE_CHARACTER_CLASS可以启用预定义字符类的Unicode版本，有关更多详细信息和链接，请参见我的回答。

你可以做这样的事情

Pattern p = Pattern.compile("\\w+", Pattern.UNICODE_CHARACTER_CLASS);

并且\w将匹配所有字母和所有数字从任何语言（当然还有一些字的组合字符喜欢_）。

Question 3

要匹配单个字符，您可以简单地将它们包括在字符类中，既可以作为文字，也可以通过\u03FB语法。

显然，您经常无法以表意语言列出所有允许的字符。为了使regex根据类型或代码块来处理unicode字符，还支持在此处定义的各种其他转义符。查看“ Unicode支持”部分，尤其是对Character类和Unicode标准本身的引用。

Question 4

为了解决NLS支持问题并避免接受英语特殊字符，我们可以使用以下模式...

[a-zA-Z0-9 \ u0080- \ u9fff] * +

对于UTF代码点参考：http : //www.utf8-chartable.de/unicode-utf8-table.pl

程式码片段：

    String vowels = "అఆఇఈఉఊఋఌఎఏఐఒఓఔౠౡ";
    String consonants = "కఖగఘఙచఛజఝఞటఠడఢణతథదధనపఫబభమయరఱలళవశషసహ";
    String signsAndPunctuations = "కఁకంకఃకాకికీకుకూకృకౄకెకేకైకొకోకౌక్కౕకౖ";
    String symbolsAndNumerals = "౦౧౨౩౪౫౬౭౮౯";
    String engChinesStr = "ABC導字會";


    Pattern ALPHANUMERIC_AND_SPACE_PATTERN_TELUGU = Pattern
            .compile("[a-zA-Z0-9 \\u0c00-\\u0c7f]*+");
    System.out.println(ALPHANUMERIC_AND_SPACE_PATTERN_TELUGU.matcher(vowels)
            .matches());


    Pattern ALPHANUMERIC_AND_SPACE_PATTERN_CHINESE = Pattern
            .compile("[a-zA-Z0-9 \\u4e00-\\u9fff]*+");

    Pattern ENGLISH_ALPHANUMERIC_SPACE_AND_NLS_PATTERN = Pattern
            .compile("[a-zA-Z0-9 \\u0080-\\u9fff]*+");

    System.out.println(ENGLISH_ALPHANUMERIC_SPACE_AND_NLS_PATTERN.matcher(engChinesStr)
            .matches());

Question 5

Java正则表达式API适用于该char类型
该char类型隐式为UTF-16
如果您具有UTF-8数据，则需要在输入时将其转码为UTF-16

Unicode是通用的字符集，而UTF-8可以描述所有字符（包括控制字符，标点符号，符号，字母等）。您将需要更加具体地确定要包含的内容和要排除的内容。Java正则表达式使用该\p{category}语法按类别匹配代码点。请参阅Unicode标准的列表类别。

如果要在表意文字序列中识别和分隔单词，则需要查看更复杂的API。我将从BreakIterator类型开始。