Java 删除西里尔文UTF-8编码字符串中的所有非单词字符

通常，为了从字符串中删除非单词字符，可以使用

replaceAll

方法：

String cleanWords = "some string with non-words such as ';'".replaceAll("\\W", "");

上面返回一个清理过的字符串“somestringwithnonwordssuchas”

但是，如果字符串包含西里尔字母，则会将其识别为非单词，并从字符串中删除。预计西里尔文字将保留下来。这就是问题所在

---

假设字符串采用UTF-8编码，那么处理删除非单词字符的任务的正确方法是什么呢？

试试

[^\\p{L}]

。它应该匹配除字母以外的所有Unicode代码点

对可能的字符类有相当全面的描述。请注意，POSIX字符类在默认情况下仅为ASCII字符，对您帮助不大，您需要使用Unicode特定的类

---

请注意，有一种方法可以改变POSIX类的行为，使其符合要求（基本上使它们与最接近的Unicode感知等价物等效）。

如果示例代码中确实包含一些您遇到问题的西里尔字符，这将非常有用。OP应该检查它们希望如何处理数字，因为我相信这将不同于原来的。