Java 多字节字符串的正则表达式

检测多字节字符串的正则表达式可能是什么

例如，下面是用于检测英语字符串的表达式

Pattern p=Pattern.compile("[a-zA-Z/]");

类似地，我想要一个有多个字节的模式，比如

コメント_1050_固-減価償却費

---

对于非英语语言的元素，您需要使用

Unicode

。链接应该为您提供一些信息

对UniCode正则表达式有一个很好的介绍。

本质上，Java正则表达式处理字符串，而不是字节数组-字符表示为抽象的“字符”实体，而不是某些特定编码中的字节。这并非完全正确，因为

char

类型仅包含基本多语言平面中的字符，并且此范围之外的Unicode字符分别表示为两个

char

值，但“多字节”是相对的，取决于编码

如果您需要的是“UTF-8中的多字节”，那么请注意，在此编码中只有值为0-127的字符是单字节。因此，最简单的检查方法是使用循环并检查每个字符-如果大于127，则在UTF-8中超过一个字节

---

如果您坚持使用正则表达式，您可能会在正则表达式中使用字符范围操作符，如下所示：

[\u0080-\uFFFF]

（尚未选中并且

\uFFFF

不是真正的字符，但我认为正则表达式引擎应该接受它）。

您可能想看看

我认为基本上您需要Unicode属性

\p{L}

。这将匹配任何具有属性“letter”的代码点

所以你的正则表达式看起来像这样

Pattern p=Pattern.compile("[\\p{L}/]");

我刚刚用

\p{L}

---

由于Java 7，您还可以使用

Pattern.UNICODE\u CHARACTER\u类

启用预定义字符类和POSIX字符类的Unicode版本

这将把预定义的

\w

转换为Unicode版本，这意味着它将匹配所有Unicode字母和数字（以及连接字符的字符串，如

所以要匹配字符串

コメント_1050_固-減価償却費，您可以使用

Pattern p=Pattern.compile("^\\w+$", Pattern.UNICODE_CHARACTER_CLASS);

这将匹配由字母、数字和数字组成的任何字符串_

看

这里是对Unicode脚本、属性和块的概述

关于Java中正则表达式的注意事项，包括更新的Java 7（或Java 8）中已更改的内容。
如果要检测是否有多字节字符串，可以查看长度

if (text.length() != text.getBytes(encoding).length)

这将检测到任何编码都使用了多字节字符。
AFAIK，在Java UCS-2中使用，即所有字符串都是多字节的。您可以输入带有char
code>127的符号，就像正常形式的拉丁符号一样：
ン以及以下形式：
\u30FC
它没有其他一些建议那么快，但它更一般，您可以确定它的作用。但是我尝试了以下JRE 8代码，它仍然是错误的：字符串输入=”