正则表达式：什么是InCombiningDiacriticalMarks？

以下代码是众所周知的将重音符转换为纯文本的代码：

Normalizer.normalize(text, Normalizer.Form.NFD).replaceAll("\\p{InCombiningDiacriticalMarks}+", "");

我用这种方法代替了“手工制作”方法，但是我需要了解replaceAll的“ regex”部分

1）什么是“ InCombiningDiacriticalMarks”？
2）它的文档在哪里？（和类似的？）

谢谢。

\p{InCombiningDiacriticalMarks}是Unicode块属性。在JDK7中，您将可以使用两部分表示法来编写它\p{Block=CombiningDiacriticalMarks}，这对于读者来说可能更清楚。它在UAX＃44中进行了记录：“ Unicode字符数据库”。

这意味着代码点落在一个特定的范围内，即一个块，该块已通过该名称分配给事物使用。这是一种不好的方法，因为不能保证该范围内的代码点是或不是任何特定事物，也不保证该块之外的代码点本质上不是同一字符。

例如，该\p{Latin_1_Supplement}块中有拉丁字母，例如é，U + 00E9。但是，有些东西也不是拉丁字母。当然，到处都有拉丁字母。

积木几乎从来都不是您想要的。

在这种情况下，我怀疑您可能想使用\p{Mn}aka属性\p{Nonspacing_Mark}。Combining_Diacriticals块中的所有代码点均属于此类。从Unicode 6.0.0开始，还有1087个Nonspacing_Marks不是该块中。

这几乎与检查是否相同\p{Bidi_Class=Nonspacing_Mark}，但不完全相同，因为该组还包括了封闭标记\p{Me}。如果两者都需要，则可以说[\p{Mn}\p{Me}]是否使用默认的Java正则表达式引擎，因为它仅提供对General_Category属性的访问。

您必须像Google一样使用JNI来获取ICU C ++ regex库，以便访问像之类的东西\p{BC=NSM}，因为现在只有ICU和Perl允许访问所有Unicode属性。普通的Java regex库仅支持几个标准Unicode属性。不过，在JDK7中将支持Unicode脚本属性，这几乎绝对优于Block属性。因此，您可以在JDK7中编写\p{Script=Latin}或 \p{SC=Latin}或快捷方式\p{Latin}，以从拉丁脚本中获取任何字符。这导致了非常普遍的需要[\p{Latin}\p{Common}\p{Inherited}]。

请注意，这不会删除您可能会想到的所有字符中的“重音”标记！有很多它不会这样做的。例如，您不能将Đ转换为D或将ø转换为o。为此，您需要将代码点减少为与Unicode归类表中的主归类强度相同的那些。

\p{Mn}事情失败的另一个地方当然\p{Me}是带有诸如的明显标记，但也有\p{Diacritic}一些不是标记的字符。可悲的是，您需要为此提供全部属性支持，这意味着JNI是ICU还是Perl。恐怕Java在Unicode支持方面存在很多问题。

哦，等等，我看到你是葡萄牙语。如果您只处理葡萄牙语，那么您应该没有任何问题。

但是，我敢打赌，您并不是真的想删除重音符号，而是希望能够“不区分重音符号”来匹配内容，对吗？如果是这样，则可以使用ICU4J（Java的ICU）整理程序类进行操作。如果您以主要强度进行比较，则重音符号将不会计入。我一直这样做，因为我经常处理西班牙语文本。我有一个示例，说明如何在需要时坐在这里的西班牙人。

花了我一段时间，但我把它们全部捞出了：

这里的正则表达式应包括所有zalgo字符，包括在“正常”范围内绕过的字符。

([\u0300–\u036F\u1AB0–\u1AFF\u1DC0–\u1DFF\u20D0–\u20FF\uFE20–\uFE2F\u0483-\u0486\u05C7\u0610-\u061A\u0656-\u065F\u0670\u06D6-\u06ED\u0711\u0730-\u073F\u0743-\u074A\u0F18-\u0F19\u0F35\u0F37\u0F72-\u0F73\u0F7A-\u0F81\u0F84\u0e00-\u0eff\uFC5E-\uFC62])

希望这可以节省您一些时间。