Java正则表达式中\w和\b的Unicode等价物？

许多现代正则表达式实现将

\w

字符类速记解释为“任何字母、数字或连接标点符号”（通常为下划线）。这样，像

\w+

这样的正则表达式匹配像

hello

，

élève

，

GOÄu 432

或

gefräig

这样的词

不幸的是，Java没有。在Java中，

\w

仅限于

[A-Za-z0-9.]

。除其他问题外，这使得上述匹配词变得困难

它还显示

\b

单词分隔符在不应该匹配的地方匹配

---

Java中类似.NET、支持Unicode的

\w

或

\b

的正确等价物是什么？还有哪些快捷方式需要“重写”才能识别Unicode？

很不幸，

\w

不起作用。提议的解决方案

\p{Alpha}

对我也不起作用

---

似乎

[\p{L}]

捕获了所有Unicode字母。因此，

\w

的Unicode等价物应该是

[\p{L}\p{Digit}\u]

在Java中，

\w

和

\d

不知道Unicode；它们仅与ASCII字符相匹配，

[A-Za-z0-9\

和

[0-9]

。这同样适用于

\p{Alpha}

和friends（它们所基于的POSIX“字符类”应该是区域敏感的，但在Java中它们只匹配ASCII字符）。如果要匹配Unicode“单词字符”，则必须将其拼写出来，例如字母、非间隔修饰符（重音符号）、十进制数字和连接标点符号的

[\pL\p{Mn}\p{Nd}\p{Pc}]

然而，Java的

\b

精通Unicode；它使用Character.isleterOrdigit（ch）并检查重音字母，但它识别的唯一“连接标点”字符是下划线编辑：当我尝试您的示例代码时，它会按应该的方式打印

“

和

élève”

。

源代码 下面讨论的重写函数的源代码

Java7中的更新 Sun为JDK7更新的

模式

类有一个奇妙的新标志，

UNICODE\U CHARACTER\U类

，它使一切重新正常工作。它是一个可嵌入的

（？U）

用于模式内部，因此您也可以将其与

字符串

类的包装器一起使用。它还对各种其他属性的定义进行了更正。它现在在UTS#18:Unicode正则表达式和UTS#18:Unicode正则表达式中跟踪Unicode标准。这是一个激动人心的重大改进，开发团队将为此而努力这一重要努力受到赞扬

---

Java的正则表达式Unicode问题 Java正则表达式的问题在于，Perl 1.0 charclass转义（意思是

\w

，

\b

，

\s

，

\d

及其补充）在Java中没有扩展到Unicode。在这些转义中，

\b

单独享有某些扩展语义，但它们既不映射到，也不映射到，也不映射到

此外，Java中的POSIX属性是通过以下方式访问的：

POSIX syntax    Java syntax

[[:Lower:]]     \p{Lower}
[[:Upper:]]     \p{Upper}
[[:ASCII:]]     \p{ASCII}
[[:Alpha:]]     \p{Alpha}
[[:Digit:]]     \p{Digit}
[[:Alnum:]]     \p{Alnum}
[[:Punct:]]     \p{Punct}
[[:Graph:]]     \p{Graph}
[[:Print:]]     \p{Print}
[[:Blank:]]     \p{Blank}
[[:Cntrl:]]     \p{Cntrl}
[[:XDigit:]]    \p{XDigit}
[[:Space:]]     \p{Space}

这真是一团糟，因为这意味着像Java中的

Alpha

、

Lower

和

Space

这样的东西会不映射到Unicode

字母

、

小写

、或

空格

属性。这是非常恼人的。Java的Unicode属性支持是严格意义上的millennial，我的意思是它不支持过去十年中出现的Unicode属性

不能正确地谈论空白是非常恼人的。考虑下表。对于这些代码点中的每一个，都有J-结果列。 对于Java和Perl或任何其他基于PCRE的正则表达式引擎的P-results列：

             Regex    001A    0085    00A0    2029
                      J  P    J  P    J  P    J  P
                \s    1  1    0  1    0  1    0  1
               \pZ    0  0    0  0    1  1    1  1
            \p{Zs}    0  0    0  0    1  1    0  0
         \p{Space}    1  1    0  1    0  1    0  1
         \p{Blank}    0  0    0  0    0  1    0  0
    \p{Whitespace}    -  1    -  1    -  1    -  1
\p{javaWhitespace}    1  -    0  -    0  -    1  -
 \p{javaSpaceChar}    0  -    0  -    1  -    1  -

看到了吗

根据Unicode，几乎所有这些Java空白结果都是̲w̲r̲o̲n̲g̲。这是一个非常大的问题。Java只是一团糟，给出了“错误”的答案根据现有实践和Unicode，Java甚至不允许您访问真正的Unicode属性！事实上，Java不支持任何与Unicode空格对应的属性

---

所有这些问题的解决方案等等 为了解决这个问题和许多其他相关问题，昨天我编写了一个Java函数来重写一个模式字符串，该模式字符串重写了以下14个charclass转义：

\w \W \s \S \v \V \h \H \d \D \b \B \X \R

通过以一种可预测且一致的方式将它们替换为与Unicode匹配的东西。这只是一个来自单个黑客会话的alpha原型，但它完全可以正常工作

简短的故事是，我的代码将这14条重写如下：

\s => [\u0009-\u000D\u0020\u0085\u00A0\u1680\u180E\u2000-\u200A\u2028\u2029\u202F\u205F\u3000]
\S => [^\u0009-\u000D\u0020\u0085\u00A0\u1680\u180E\u2000-\u200A\u2028\u2029\u202F\u205F\u3000]

\v => [\u000A-\u000D\u0085\u2028\u2029]
\V => [^\u000A-\u000D\u0085\u2028\u2029]

\h => [\u0009\u0020\u00A0\u1680\u180E\u2000-\u200A\u202F\u205F\u3000]
\H => [^\u0009\u0020\u00A0\u1680\u180E\u2000\u2001-\u200A\u202F\u205F\u3000]

\w => [\pL\pM\p{Nd}\p{Nl}\p{Pc}[\p{InEnclosedAlphanumerics}&&\p{So}]]
\W => [^\pL\pM\p{Nd}\p{Nl}\p{Pc}[\p{InEnclosedAlphanumerics}&&\p{So}]]

\b => (?:(?<=[\pL\pM\p{Nd}\p{Nl}\p{Pc}[\p{InEnclosedAlphanumerics}&&\p{So}]])(?![\pL\pM\p{Nd}\p{Nl}\p{Pc}[\p{InEnclosedAlphanumerics}&&\p{So}]])|(?<![\pL\pM\p{Nd}\p{Nl}\p{Pc}[\p{InEnclosedAlphanumerics}&&\p{So}]])(?=[\pL\pM\p{Nd}\p{Nl}\p{Pc}[\p{InEnclosedAlphanumerics}&&\p{So}]]))
\B => (?:(?<=[\pL\pM\p{Nd}\p{Nl}\p{Pc}[\p{InEnclosedAlphanumerics}&&\p{So}]])(?=[\pL\pM\p{Nd}\p{Nl}\p{Pc}[\p{InEnclosedAlphanumerics}&&\p{So}]])|(?<![\pL\pM\p{Nd}\p{Nl}\p{Pc}[\p{InEnclosedAlphanumerics}&&\p{So}]])(?![\pL\pM\p{Nd}\p{Nl}\p{Pc}[\p{InEnclosedAlphanumerics}&&\p{So}]]))

\d => \p{Nd}
\D => \P{Nd}

\R => (?:(?>\u000D\u000A)|[\u000A\u000B\u000C\u000D\u0085\u2028\u2029])

\X => (?>\PM\pM*)

所有这些都被非常直接地定义为：

• 下面的单词是

  （？）？
  不在单词is
  （？！\w）
  之前
  

因此，由于

IF-THEN

被编码为

和

 在正则表达式中将

AB

组合在一起，则

或
是
X | Y
，并且由于
和
的优先级高于
或
，这就是简单的
AB | CD
。因此，表示边界的每个
\b
都可以安全地替换为：

    (?:(?<=\w)(?!\w)|(?<!\w)(?=\w))

    (?:(?<=\w)(?=\w)|(?<!\w)(?!\w))

允许将
\B
的所有实例替换为：

    (?:(?<=\w)(?!\w)|(?<!\w)(?=\w))

    (?:(?<=\w)(?=\w)|(?<!\w)(?!\w))

然而，人们通常想要一种不同的边界。他们想要一些能够感知空格和字符串边缘的东西：


左边缘为
（？：（？）但是
\w
也匹配数字和更多。我认为对于字母，
\p{L}
就可以了。你是对的。
\p{L}
就足够了。而且我还认为只有字母才是问题。
[\p{L}\p{digital}]
应捕获所有字母数字字符，包括下划线。@MusicKk:有关完整的解决方案，请参阅我的答案。@t
     0 ..     7F    the ASCII range
    80 ..     FF    the non-ASCII Latin1 range
   100 ..   FFFF    the non-Latin1 BMP (Basic Multilingual Plane) range
 10000 .. 10FFFF    the non-BMP portion of Unicode (the "astral" planes)

switch (code_point) {

    case 'b':  newstr.append(boundary);
               break; /* switch */
    case 'B':  newstr.append(not_boundary);
               break; /* switch */

    case 'd':  newstr.append(digits_charclass);
               break; /* switch */
    case 'D':  newstr.append(not_digits_charclass);
               break; /* switch */

    case 'h':  newstr.append(horizontal_whitespace_charclass);
               break; /* switch */
    case 'H':  newstr.append(not_horizontal_whitespace_charclass);
               break; /* switch */

    case 'v':  newstr.append(vertical_whitespace_charclass);
               break; /* switch */
    case 'V':  newstr.append(not_vertical_whitespace_charclass);
               break; /* switch */

    case 'R':  newstr.append(linebreak);
               break; /* switch */

    case 's':  newstr.append(whitespace_charclass);
               break; /* switch */
    case 'S':  newstr.append(not_whitespace_charclass);
               break; /* switch */

    case 'w':  newstr.append(identifier_charclass);
               break; /* switch */
    case 'W':  newstr.append(not_identifier_charclass);
               break; /* switch */

    case 'X':  newstr.append(legacy_grapheme_cluster);
               break; /* switch */

    default:   newstr.append('\\');
               newstr.append(Character.toChars(code_point));
               break; /* switch */

}
saw_backslash = false;

(?:(?:\u000D\u000A)|(?:[\u0E40\u0E41\u0E42\u0E43\u0E44\u0EC0\u0EC1\u0EC2\u0EC3\u0EC4\uAAB5\uAAB6\uAAB9\uAABB\uAABC]*(?:[\u1100-\u115F\uA960-\uA97C]+|([\u1100-\u115F\uA960-\uA97C]*((?:[[\u1160-\u11A2\uD7B0-\uD7C6][\uAC00\uAC1C\uAC38]][\u1160-\u11A2\uD7B0-\uD7C6]*|[\uAC01\uAC02\uAC03\uAC04])[\u11A8-\u11F9\uD7CB-\uD7FB]*))|[\u11A8-\u11F9\uD7CB-\uD7FB]+|[^[\p{Zl}\p{Zp}\p{Cc}\p{Cf}&&[^\u000D\u000A\u200C\u200D]]\u000D\u000A])[[\p{Mn}\p{Me}\u200C\u200D\u0488\u0489\u20DD\u20DE\u20DF\u20E0\u20E2\u20E3\u20E4\uA670\uA671\uA672\uFF9E\uFF9F][\p{Mc}\u0E30\u0E32\u0E33\u0E45\u0EB0\u0EB2\u0EB3]]*)|(?s:.))

String extended_grapheme_cluster = "(?:(?:\\u000D\\u000A)|(?:[\\u0E40\\u0E41\\u0E42\\u0E43\\u0E44\\u0EC0\\u0EC1\\u0EC2\\u0EC3\\u0EC4\\uAAB5\\uAAB6\\uAAB9\\uAABB\\uAABC]*(?:[\\u1100-\\u115F\\uA960-\\uA97C]+|([\\u1100-\\u115F\\uA960-\\uA97C]*((?:[[\\u1160-\\u11A2\\uD7B0-\\uD7C6][\\uAC00\\uAC1C\\uAC38]][\\u1160-\\u11A2\\uD7B0-\\uD7C6]*|[\\uAC01\\uAC02\\uAC03\\uAC04])[\\u11A8-\\u11F9\\uD7CB-\\uD7FB]*))|[\\u11A8-\\u11F9\\uD7CB-\\uD7FB]+|[^[\\p{Zl}\\p{Zp}\\p{Cc}\\p{Cf}&&[^\\u000D\\u000A\\u200C\\u200D]]\\u000D\\u000A])[[\\p{Mn}\\p{Me}\\u200C\\u200D\\u0488\\u0489\\u20DD\\u20DE\\u20DF\\u20E0\\u20E2\\u20E3\\u20E4\\uA670\\uA671\\uA672\\uFF9E\\uFF9F][\\p{Mc}\\u0E30\\u0E32\\u0E33\\u0E45\\u0EB0\\u0EB2\\u0EB3]]*)|(?s:.))";