Java'；s正则表达式don'；无法将来自其他语言的字符识别为单词字符（即\w）

让我们说我有一个词：“友爱”。表达式

\w+

应该包含这个词，但字母“ä”将这个词一分为二。我得到的不是“Aiavärav”，而是“Aia”。对于包含这些非ascii字母的单词，什么是正确的正则表达式

根据，

\w

仅匹配

[a-zA-Z_0-9]

，除非指定

UNICODE_字符类

标志：

Pattern.compile("\\w+", Pattern.UNICODE_CHARACTER_CLASS)

或在模式中嵌入

（？U）

：

Pattern.compile("(?U)\\w+")

其中任何一个都需要JDK1.7（即Java7）

如果您没有Java 7，您可以通过使用

\p{L}

（“字母”；like

[a-zA-Z]

，但不特定于ASCII）和

\p{N}

（“数字”；like

[0-9]

，但不特定于ASCII）将

\w

概括为Unicode）：

但是听起来你可能在寻找实际的单词，在正常意义上（与编程语言的意义相反），并且不需要支持数字和下划线？在这种情况下，您可以使用

\p{L}

：

Pattern.compile("\\p{L}+")

---

（顺便说一句，花括号实际上是可选的-你可以写

\pL

而不是

p{L}

，

\pN

而不是

\p{N}

-但是人们通常还是会把它们包括在内，因为它们是多字母类别所必需的，比如

\p{Lu}

“大写字母”。）

我复制了您的单词并放入字符串，我使用了正则表达式\w+，我可以正确地获取单词。我正在用C#进行测试。我在用Java。我也用myregextester.com进行了测试，但它仍然不能识别整个单词。也许你想看看<代码>\p{L}+是的，我去那个网站测试。无法得到正确的结果。我再次测试了我的C#代码。我如期得到消息。字符串测试=“Aiavärav abc 123”；正则表达式reg=新正则表达式（@“\w+”）；控制台写入（注册匹配（测试））；我将“Aiavärav”更正为“非拉丁”，因为“ä”在技术上仍然是拉丁衍生字符。请注意，嵌入（？U）“…可能会造成性能损失。”来自@niconic：您链接到的文档实际上指的是

UNICODE_字符类

，而不是

（？U）

，但无论如何，我认为昂贵的部分是使用Unicode字符属性进行匹配（与ASCII字符组相比）。因为这正是OP想要做的，在他/她的情况下，这并不是真正的“性能惩罚”，并且可能适用于他可能采取的任何方法。也许我错了，但是在

UNICODE\U CHARACTER\U类

链接中，我读到的

UNICODE\U CHARACTER\U类模式也可以通过嵌入的标志表达式（？U）启用. ，所以我认为我们谈论的是相同的东西。我是不是误解了什么？当然，您的回答符合需要，我只想指出（因为我发现自己处于一个模糊不清的相似情况中，性能对我来说是至关重要的）@niconic:documentation声明可以通过
（？U）
启用此模式，但是，
UNICODE\U CHARACTER\U CLASS
标志可能会造成性能损失的声明在单独的一段中，因此不适用于
（？U）
。平心而论，我相信同样的说法也适用于
（？U）
；但我对你的评论感到担忧的是，我的回答列举了三种方法，你的评论说其中一种可能会对性能造成惩罚，就好像你在提倡其他两种方法一样。这是高度误导性的，因为（我相信）每种方法都有相同的惩罚。好吧，我得到了，我的评论可能是误导性的：当我写它的时候，我不想精确地针对？U标志，但它意味着什么（即所有方法）。
Pattern.compile("\\p{L}+")