将Unicode字母与Java正则表达式匹配（例如）

这里有许多关于StackOverflow的问题和答案，假设一个“字母”可以通过

[a-zA-Z]

在regexp中匹配。然而，使用Unicode时，大多数人会将更多的字符视为字母（所有希腊字母，Cyrllic..，还有更多的字符。每个字符都可能有“字母”

Java对alpha字符等的定义，但该定义仅适用于US-ASCII。预定义的字符类将单词定义为由

[a-zA-Z_0-9]

组成，这也排除了许多字母

---

那么，如何正确地匹配Unicode字符串呢？是否有其他库正确地匹配了这一点？

您是否在谈论Unicode类别，如字母？这些类别由形式为

\p{CAT}

的正则表达式匹配，其中“CAT”任何字母的类别代码如

L

，大写字母的类别代码如

Lu

，标题字母的类别代码如

Lt

。

引用自

Unicode支持

这个类符合 Unicode技术标准第1级#18:，加上RL2.1规范等价物

Unicode转义序列，例如 \u2014在Java中的源代码是 按照的中所述进行处理 Java语言规范 还实现了转义序列 直接通过正则表达式 语法分析器，以便可以使用Unicode转义 用于从中读取的表达式 文件或从键盘输入。因此 字符串“\u2014”和“\\u2014”，而 不相等，编译成相同的 模式，它与角色匹配 具有十六进制值0x2014

Unicode块和类别是 使用\p和\p构造编写 与Perl中一样。\p{prop}匹配 输入具有属性prop，而 \如果输入 有那个属性。块是 使用中的前缀指定，如中所示 蒙古语。类别可以是 使用可选前缀指定的是： \p{L}和\p{IsL}都表示 Unicode字母的分类.块 和类别可以在内部和外部使用 在角色类之外

支持的类别是 版本中的Unicode标准 由字符类指定 类别名称是在中定义的名称 标准，包括规范性标准和 信息性。支持的块名称 “按模式”是有效的块名 接受并定义为 unicode deblock.forName

---

这里有一个很好的解释：

一些提示：

很遗憾，Java和.NET不支持

\X

（尚未）。请使用

\p{M}\p{M}*

作为替代。要匹配任意数量的图形，请使用

（？：\p{M}\p{M}*）+

，而不是

\X+

---

在Java中，正则表达式标记

\uFFFF

仅与指定的代码点匹配，即使您启用了规范等效。但是，同样的语法

\uFFFF

也用于在Java源代码中将Unicode字符插入文本字符串。

模式.compile（\u00E0”）

将匹配

的单码点编码和双码点编码，而
Pattern.compile（\\u00E0）
只匹配单代码点版本。请记住，当将正则表达式作为Java字符串文字编写时，必须转义反斜杠。前一个Java代码编译正则表达式
a
，而后一个代码编译
\u00E0
。根据您所做的操作，差异可能很大。”
这可能也会有帮助-@spinning_plate，谢谢。我确实搜索了现有的问题，但没有找到那个问题。@Pointy-你说得对，你不需要指定子类别。我可以很好地提供Java规范的链接，但没有注意到它同时显示了
和\p{L}和\p{IsL}以Unicode字母的类别为例：（这里有一个类别列表，尽管关于为什么“\p{L}”不够，请参见@eLobato的答案。谢谢。该页面还指出了为什么
\p{L}
不足以匹配任何字母（您需要
\p{L}\p{M}*
）应该对其进行编辑，以在其中一个Pattern.compile语句中显示双斜杠。格式化程序正在使用双斜杠。这应该是：因此字符串“\u2014”和“\\u2014”不相等。。。