Java 正则表达式：什么是组合符号？

众所周知，以下代码可以将重音字符转换为纯文本：

Normalizer.normalize(text, Normalizer.Form.NFD).replaceAll("\\p{InCombiningDiacriticalMarks}+", "");

我用这个方法替换了我的“手工制作”方法，但是我需要理解replaceAll的“regex”部分

1） 什么是“不可组合的关键标记”？
2） 文件在哪里？（还有相似的吗？）

---

谢谢。

\p{InCombiningDiacriticalMarks}

是一个Unicode块属性。在JDK7中，您将能够使用两部分表示法

\p{Block=CombiningDiacriticalMarks}

编写它，这对读者来说可能更清楚。这是有案可查的

它的意思是代码点落在一个特定的范围内，一个块，该块已被分配用于该名称下的事物。这是一种糟糕的方法，因为不能保证该范围内的代码点是或不是任何特定的东西，也不能保证该块外的代码点本质上不是同一个字符

例如，在

\p{Latin_1_Supplement}

块中有拉丁字母，如é、U+00E9。然而，有些东西也不是拉丁字母。当然，到处都是拉丁字母

积木几乎从来都不是你想要的

在本例中，我怀疑您可能希望使用属性

\p{Mn}

，也称

\p{nonspace\u Mark}

。组合_Diacriticals块中的所有代码点都属于这种类型。还有（从Unicode 6.0.0开始）1087个非空格_标记不在该块中

这与检查

\p{Bidi\u Class=nonspace\u Mark}

几乎相同，但不完全相同，因为该组还包括封闭标记

\p{Me}

。如果两者都需要，如果您使用的是默认Java正则表达式引擎，则可以说

[\p{Mn}\p{Me}]

，因为它只提供对General_Category属性的访问

<>你必须使用JNI来访问ICU C++ +正则表达式库，这样谷歌就可以访问诸如“代码> \p{bc= nsM}} /Code >，因为现在只有ICU和Perl提供了对所有Unicode属性的访问。普通的Java正则表达式库只支持两个标准的Unicode属性。不过，在JDK7中，将支持Unicode脚本属性，它几乎比Block属性更可取。因此，您可以在JDK7中编写

\p{Script=Latin}

或

\p{SC=Latin}

，或捷径

\p{Latin}

，从拉丁脚本中获取任何字符。这导致了非常普遍需要的

[\p{Latin}\p{Common}\p{Inherited}]

请注意，这不会从所有字符中删除您可能认为的“重音”标记！它不会为许多人这样做。例如，您不能通过这种方式将Đ转换为D或ø转换为o。为此，您需要将代码点减少到与Unicode排序规则表中相同的主排序规则强度相匹配的代码点

另一个

\p{Mn}

失败的地方当然是包含像

\p{Me}

这样的标记，但是也有

\p{Diacritic}

字符不是标记。遗憾的是，您需要完全的属性支持，这意味着JNI对ICU或Perl都是如此。恐怕Java在Unicode支持方面有很多问题

哦，等等，我看你是葡萄牙人。如果您只处理葡萄牙语文本，那么应该没有任何问题

---

然而，我敢打赌，你并不是真的想消除口音，而是想能够“无意识地”匹配事物，对吗？如果是，则可以使用。如果在主要强度下进行比较，则重音标记不起作用。我一直这样做，因为我经常处理西班牙语文本。如果你需要的话，我举了一个例子，告诉你如何为坐在这里的某个地方的西班牙人做到这一点。

花了我一段时间，但我把它们都找出来了：

这应该包括所有zalgo字符，包括在“正常”范围内绕过的字符

([\u0300–\u036F\u1AB0–\u1AFF\u1DC0–\u1DFF\u20D0–\u20FF\uFE20–\uFE2F\u0483-\u0486\u05C7\u0610-\u061A\u0656-\u065F\u0670\u06D6-\u06ED\u0711\u0730-\u073F\u0743-\u074A\u0F18-\u0F19\u0F35\u0F37\u0F72-\u0F73\u0F7A-\u0F81\u0F84\u0e00-\u0eff\uFC5E-\uFC62])

---

希望这能为您节省一些时间。

因此，我必须假设在整个web（甚至在这里是So）中给出的方法不是推荐的“删除”单词的方法。我只为葡萄牙语做了一个直截了当的测试，但看到了这种奇怪的方法（就像你说的，它适合我的目的，但我的上一个方法确实如此！）。那么，是否有一种更好的“实施良好”的方法可以覆盖大多数场景？举个例子就好了。谢谢您的时间。@Marclopes：我一直保持数据完整，并使用Unicode排序算法进行主要强度比较。这样，它只比较字母，而忽略大小写和重音符号。它还让应该是同一个字母的东西变成了同一个字母，去除重音只是一种苍白和令人不满意的近似。另外，如果你能以一种你想要的但不需要的方式处理数据，那么不破坏数据就更干净了。回答得不错，不过有一个问题，我能在java中使用Normalizer并使用incombindingDiacriticalMarks，但排除一些字符，如u，以避免转换为u吗？是的，我完全理解这一切。很显然，unicode中的“组合标记”比变音符号多，这只是一个注释。