源代码
我下面讨论的重写功能的源代码可在此处获得。
Java 7中的更新
Sun的PatternJDK7 更新类有一个很棒的新标志UNICODE_CHARACTER_CLASS，它使一切重新正常运行。它可以作为(?U)模式内部的可嵌入对象使用，因此您也可以将其与String类的包装器一起使用。它还可以对其他各种属性进行更正定义。现在跟踪Unicode标准，在这两个RL1.2和RL1.2a从UTS＃18：Unicode的正则表达式。这是令人振奋的巨大进步，因此，开发团队为此付出的巨大努力值得称赞。
Java的Regex Unicode问题
使用Java正则表达式的问题是，Perl的1.0 charclass将逃逸-这意味着\w，\b，\s，\d和它们的补-不是Java扩展工作使用Unicode。其中\b只有一个具有某些扩展的语义，但是它们既不映射\w到Unicode标识符，也不映射到Unicode换行属性。
此外，可以通过以下方式访问Java中的POSIX属性：
POSIX syntax Java syntax
[[:Lower:]] \p{Lower}
[[:Upper:]] \p{Upper}
[[:ASCII:]] \p{ASCII}
[[:Alpha:]] \p{Alpha}
[[:Digit:]] \p{Digit}
[[:Alnum:]] \p{Alnum}
[[:Punct:]] \p{Punct}
[[:Graph:]] \p{Graph}
[[:Print:]] \p{Print}
[[:Blank:]] \p{Blank}
[[:Cntrl:]] \p{Cntrl}
[[:XDigit:]] \p{XDigit}
[[:Space:]] \p{Space}
这是一个真正的混乱，因为这意味着一些事情，如Alpha，Lower和Space做的不是在Java中映射为Unicode Alphabetic，Lowercase或Whitespace性质。这真是令人讨厌。Java的Unicode属性严格地是antemillennial，也就是说我不支持最近十年来出现的Unicode属性。
无法正确谈论空白是一件令人讨厌的事情。请考虑下表。对于每个代码点，Java都有一个J结果列，Perl或任何其他基于PCRE的正则表达式引擎都有一个P结果列：
Regex 001A 0085 00A0 2029
J P J P J P J P
\s 1 1 0 1 0 1 0 1
\pZ 0 0 0 0 1 1 1 1
\p{Zs} 0 0 0 0 1 1 0 0
\p{Space} 1 1 0 1 0 1 0 1
\p{Blank} 0 0 0 0 0 1 0 0
\p{Whitespace} - 1 - 1 - 1 - 1
\p{javaWhitespace} 1 - 0 - 0 - 1 -
\p{javaSpaceChar} 0 - 0 - 1 - 1 -
看到那个吗？
实际上，根据Unicode，这些Java空格结果中的每一个都是“ w̲r̲o̲n̲g”。这是一个很大的问题。 Java只是一团糟，根据现有实践以及根据Unicode，给出的答案都是“错误的”。再者，Java甚至都不让您访问真正的Unicode属性！实际上，Java不支持与Unicode空格相对应的任何属性。
所有这些问题的解决方案以及更多
为了解决这个问题以及许多其他相关问题，昨天我编写了一个Java函数来重写模式字符串，该模式字符串重写了这14个charclass转义：
\w \W \s \S \v \V \h \H \d \D \b \B \X \R
通过以一种可预测且一致的方式将其替换为与Unicode匹配的实际工作来代替它们。它只是单个hack会话中的一个alpha原型，但功能完全正常。
简而言之，我的代码如下重写了这14个代码：
\s => [\u0009-\u000D\u0020\u0085\u00A0\u1680\u180E\u2000-\u200A\u2028\u2029\u202F\u205F\u3000]
\S => [^\u0009-\u000D\u0020\u0085\u00A0\u1680\u180E\u2000-\u200A\u2028\u2029\u202F\u205F\u3000]
\v => [\u000A-\u000D\u0085\u2028\u2029]
\V => [^\u000A-\u000D\u0085\u2028\u2029]
\h => [\u0009\u0020\u00A0\u1680\u180E\u2000-\u200A\u202F\u205F\u3000]
\H => [^\u0009\u0020\u00A0\u1680\u180E\u2000\u2001-\u200A\u202F\u205F\u3000]
\w => [\pL\pM\p{Nd}\p{Nl}\p{Pc}[\p{InEnclosedAlphanumerics}&&\p{So}]]
\W => [^\pL\pM\p{Nd}\p{Nl}\p{Pc}[\p{InEnclosedAlphanumerics}&&\p{So}]]
\b => (?:(?<=[\pL\pM\p{Nd}\p{Nl}\p{Pc}[\p{InEnclosedAlphanumerics}&&\p{So}]])(?![\pL\pM\p{Nd}\p{Nl}\p{Pc}[\p{InEnclosedAlphanumerics}&&\p{So}]])|(?<![\pL\pM\p{Nd}\p{Nl}\p{Pc}[\p{InEnclosedAlphanumerics}&&\p{So}]])(?=[\pL\pM\p{Nd}\p{Nl}\p{Pc}[\p{InEnclosedAlphanumerics}&&\p{So}]]))
\B => (?:(?<=[\pL\pM\p{Nd}\p{Nl}\p{Pc}[\p{InEnclosedAlphanumerics}&&\p{So}]])(?=[\pL\pM\p{Nd}\p{Nl}\p{Pc}[\p{InEnclosedAlphanumerics}&&\p{So}]])|(?<![\pL\pM\p{Nd}\p{Nl}\p{Pc}[\p{InEnclosedAlphanumerics}&&\p{So}]])(?![\pL\pM\p{Nd}\p{Nl}\p{Pc}[\p{InEnclosedAlphanumerics}&&\p{So}]]))
\d => \p{Nd}
\D => \P{Nd}
\R => (?:(?>\u000D\u000A)|[\u000A\u000B\u000C\u000D\u0085\u2028\u2029])
\X => (?>\PM\pM*)
要考虑的一些事情...
这使用\X了Unicode现在称为遗留字素簇而不是扩展字素簇的定义，因为后者更为复杂。现在，Perl本身使用的是高级版本，但是对于大多数常见情况，旧版本仍然可以正常使用。编辑：请参阅底部的附录。
该做什么\d取决于您的意图，但是默认值为Uniode定义。我看到人们并非总是想要\p{Nd}，但有时[0-9]还是想要\pN。
专门编写了两个边界定义\b和\B，以使用该\w定义。
该\w定义过于宽泛，因为它抓住了赦免字母，而不仅仅是带圆圈的字母。Unicode Other_Alphabetic属性直到JDK7才可用，所以这是您可以做的最好的事情。
探索边界
边界已自从拉里·沃尔首先创造了一个问题\b和\B语法在1987年谈论他们对Perl 1.0后面的关键是了解如何\b与\B这两个工作是打消她们两分无孔不入的神话：
- 他们永远只能找了
\w字的字符，从来没有对非单词字符。
- 他们没有专门寻找字符串的边缘。
一个\b边界的机构：
IF does follow word
THEN doesn't precede word
ELSIF doesn't follow word
THEN does precede word
所有这些都可以直接定义为：
- 跟随单词 is
(?<=\w)。
- 先于词是
(?=\w)。
- 没有遵循单词 is
(?<!\w)。
- 之前没有字的
(?!\w)。
因此，由于IF-THEN被编码为and ED-一起AB在正则表达式，一个or是X|Y，并且因为and是在优先级高于or，即简单地AB|CD。因此，所有\b这意味着可以用以下方法安全地替换边界：
(?:(?<=\w)(?!\w)|(?<!\w)(?=\w))
以\w适当的方式定义。
（您可能会觉得A和C组件是对立的，这很奇怪。在一个完美的世界中，您应该能够编写该代码AB|D，但是有一段时间我一直在追踪Unicode属性中的互斥矛盾-我认为我已经注意了，但我把双重条件留在边界以防万一。另外，如果以后有更多的想法，这会使它更容易扩展。）
对于\B非边界，逻辑为：
IF does follow word
THEN does precede word
ELSIF doesn't follow word
THEN doesn't precede word
允许将的所有实例\B替换为：
(?:(?<=\w)(?=\w)|(?<!\w)(?!\w))
这确实是怎样\b和\B行为方式。它们的等效模式是
\b使用的((IF)THEN|ELSE)构造是(?(?<=\w)(?!\w)|(?=\w))\B使用的((IF)THEN|ELSE)构造是(?(?=\w)(?<=\w)|(?<!\w))
但是，只要使用这些版本就AB|CD可以了，特别是如果您的正则表达式语言（例如Java）缺少条件模式的话。☹
我已经使用测试套件检查了所有三个等效定义，验证了边界的行为，该套件每次运行检查110,385,408个匹配项，并且根据以下十个不同的数据配置运行了该测试套件：
0 .. 7F the ASCII range
80 .. FF the non-ASCII Latin1 range
100 .. FFFF the non-Latin1 BMP (Basic Multilingual Plane) range
10000 .. 10FFFF the non-BMP portion of Unicode (the "astral" planes)
但是，人们通常希望使用另一种边界。他们想要的东西是空白和字符串边缘：
- 左边缘 为
(?:(?<=^)|(?<=\s))
- 右边缘为
(?=$|\s)
用Java修复Java
我在其他答案中发布的代码提供了此功能，并提供了许多其他便利。其中包括自然语言单词，破折号，连字符和撇号的定义，以及更多定义。
它还允许您在逻辑代码点中指定Unicode字符，而不是在惯用的UTF-16替代中指定。很难强调这是多么重要！那只是为了字符串扩展。
要进行正则表达式charclass替换，使Java regexes中的charclass 最终可以在Unicode上正常工作，请从此处 获取完整的源代码。 当然，您可以随便使用它。如果您对此进行了修复，我很想听听它，但您不必这样做。很短 正则表达式的主要重写功能很简单：
switch (code_point) {
case 'b': newstr.append(boundary);
break; /* switch */
case 'B': newstr.append(not_boundary);
break; /* switch */
case 'd': newstr.append(digits_charclass);
break; /* switch */
case 'D': newstr.append(not_digits_charclass);
break; /* switch */
case 'h': newstr.append(horizontal_whitespace_charclass);
break; /* switch */
case 'H': newstr.append(not_horizontal_whitespace_charclass);
break; /* switch */
case 'v': newstr.append(vertical_whitespace_charclass);
break; /* switch */
case 'V': newstr.append(not_vertical_whitespace_charclass);
break; /* switch */
case 'R': newstr.append(linebreak);
break; /* switch */
case 's': newstr.append(whitespace_charclass);
break; /* switch */
case 'S': newstr.append(not_whitespace_charclass);
break; /* switch */
case 'w': newstr.append(identifier_charclass);
break; /* switch */
case 'W': newstr.append(not_identifier_charclass);
break; /* switch */
case 'X': newstr.append(legacy_grapheme_cluster);
break; /* switch */
default: newstr.append('\\');
newstr.append(Character.toChars(code_point));
break; /* switch */
}
saw_backslash = false;
无论如何，这些代码只是一个alpha版本，这是我在周末破解的内容。不会那样的。
对于Beta版，我打算：
对于生产版本，它应该具有javadoc和一个JUnit测试套件。我可能包括我的gigatester，但它不是JUnit测试编写的。
附录
我有好消息，也有坏消息。
好消息是，我现在已经非常接近扩展的字素簇，可以用来进行改进\X。
坏消息☺是这种模式是：
(?:(?:\u000D\u000A)|(?:[\u0E40\u0E41\u0E42\u0E43\u0E44\u0EC0\u0EC1\u0EC2\u0EC3\u0EC4\uAAB5\uAAB6\uAAB9\uAABB\uAABC]*(?:[\u1100-\u115F\uA960-\uA97C]+|([\u1100-\u115F\uA960-\uA97C]*((?:[[\u1160-\u11A2\uD7B0-\uD7C6][\uAC00\uAC1C\uAC38]][\u1160-\u11A2\uD7B0-\uD7C6]*|[\uAC01\uAC02\uAC03\uAC04])[\u11A8-\u11F9\uD7CB-\uD7FB]*))|[\u11A8-\u11F9\uD7CB-\uD7FB]+|[^[\p{Zl}\p{Zp}\p{Cc}\p{Cf}&&[^\u000D\u000A\u200C\u200D]]\u000D\u000A])[[\p{Mn}\p{Me}\u200C\u200D\u0488\u0489\u20DD\u20DE\u20DF\u20E0\u20E2\u20E3\u20E4\uA670\uA671\uA672\uFF9E\uFF9F][\p{Mc}\u0E30\u0E32\u0E33\u0E45\u0EB0\u0EB2\u0EB3]]*)|(?s:.))
在Java中，您将其编写为：
String extended_grapheme_cluster = "(?:(?:\\u000D\\u000A)|(?:[\\u0E40\\u0E41\\u0E42\\u0E43\\u0E44\\u0EC0\\u0EC1\\u0EC2\\u0EC3\\u0EC4\\uAAB5\\uAAB6\\uAAB9\\uAABB\\uAABC]*(?:[\\u1100-\\u115F\\uA960-\\uA97C]+|([\\u1100-\\u115F\\uA960-\\uA97C]*((?:[[\\u1160-\\u11A2\\uD7B0-\\uD7C6][\\uAC00\\uAC1C\\uAC38]][\\u1160-\\u11A2\\uD7B0-\\uD7C6]*|[\\uAC01\\uAC02\\uAC03\\uAC04])[\\u11A8-\\u11F9\\uD7CB-\\uD7FB]*))|[\\u11A8-\\u11F9\\uD7CB-\\uD7FB]+|[^[\\p{Zl}\\p{Zp}\\p{Cc}\\p{Cf}&&[^\\u000D\\u000A\\u200C\\u200D]]\\u000D\\u000A])[[\\p{Mn}\\p{Me}\\u200C\\u200D\\u0488\\u0489\\u20DD\\u20DE\\u20DF\\u20E0\\u20E2\\u20E3\\u20E4\\uA670\\uA671\\uA672\\uFF9E\\uFF9F][\\p{Mc}\\u0E30\\u0E32\\u0E33\\u0E45\\u0EB0\\u0EB2\\u0EB3]]*)|(?s:.))";
sch！