Aby dopasować A do Z, użyjemy wyrażenia regularnego:
[A-Za-z]
Jak zezwolić wyrażeniu regularnemu na dopasowanie znaków utf8 wprowadzonych przez użytkownika? Na przykład chińskie słowa, takie jak 环保 部
Odpowiedzi:
To, czego szukasz, to właściwości Unicode.
np. \p{L}
to jakikolwiek list z dowolnego języka
Zatem wyrażeniem regularnym pasującym do takiego chińskiego słowa może być coś w rodzaju
\p{L}+
Istnieje wiele takich właściwości, aby uzyskać więcej informacji, zobacz regular-expressions.info
Inną opcją jest użycie modyfikatora
Pattern.UNICODE_CHARACTER_CLASS
W Javie 7 jest nowa właściwość, Pattern.UNICODE_CHARACTER_CLASS
która włącza wersję Unicode predefiniowanych klas znaków Zobacz moją odpowiedź tutaj, aby uzyskać więcej szczegółów i linków
Mógłbyś zrobić coś takiego
Pattern p = Pattern.compile("\\w+", Pattern.UNICODE_CHARACTER_CLASS);
i \w
dopasuje wszystkie litery i cyfry z dowolnego języka (i oczywiście niektóre słowa łączące znaki, takie jak _
).
Aby dopasować poszczególne znaki, możesz po prostu dołączyć je do klasy znaków, jako literały lub za pomocą \u03FB
składni.
Oczywiście często nie można wymienić wszystkich dozwolonych znaków w językach ideograficznych. Aby wyrażenie regularne traktowało znaki Unicode zgodnie z ich typem lub blokiem kodu, obsługiwane są różne inne znaki specjalne zdefiniowane w tym miejscu . Spójrz na sekcję „Obsługa Unicode”, w szczególności odwołania do Character
klasy i samego standardu Unicode.
[a-z]+
lub [a-z]{3}
lub nawet [a-z]{2,10}
. Jedyną różnicą jest to, na co zezwalasz w klasie znaków, do której stosuje się kwantyfikator.
Aby zająć się obsługą NLS i uniknąć akceptowania angielskich znaków specjalnych, możemy użyć poniższego wzoru ...
[a-zA-Z0-9 \ u0080- \ u9fff] * +
Odniesienie do punktu kodowego UTF: http://www.utf8-chartable.de/unicode-utf8-table.pl
Fragment kodu:
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());
char
typiechar
typ jest domyślnie UTF-16Unicode to uniwersalny zestaw znaków, a UTF-8 może opisać to wszystko (w tym znaki sterujące, znaki interpunkcyjne, symbole, litery itp.). Będziesz musiał bardziej szczegółowo określić, co chcesz uwzględnić, a co wykluczyć. Wyrażenia regularne Java używają \p{category}
składni do dopasowywania punktów kodowych według kategorii . Zobacz standardu Unicode na liście kategorii.
Jeśli chcesz zidentyfikować i oddzielić słowa w sekwencji ideogramów, musisz przyjrzeć się bardziej wyrafinowanemu interfejsowi API. Zacząłbym od BreakIterator
typu.
UNICODE_CHARACTER_CLASS
flagi lub możliwe do osadzenia(?U)
. Zobacz stackoverflow.com/questions/4304928/…