Regex UTF-8编码的多语言输入验证

为了检查用户输入的英文名称是否有效，我通常会将输入与正则表达式（如[a-Za-z]）进行匹配。但是，如果utf8编码需要多语言（如中文、日文等）支持，我该怎么做呢？

考虑一下您是否真的需要验证用户名。也许你应该让用户随意称呼自己

---

您当然不应该使用

[A-Za-z]

，因为有些人的名字带有撇号或连字符。阻止某人使用他们的真名可能是相当侮辱性的，因为它没有遵循你关于名字应该是什么样子的任意规则。

在PHP中，我使用了这个讨厌的黑客：

 setlocale(LC_ALL, 'de_DE');
 preg_match('/^[[:alpha:]]+$/', $name);

这包括“Umlauts”（即“ä”、“ö”等）加上重音元音（è、í等）。

---

但是它无法验证西里尔文（俄罗斯、保加利亚等）或中文字符…

如果您的语言不直接支持正确的字母属性，您可以使用

[\pL\pM\p{Nl}]

非常简洁地近似Unicode派生属性

不要使用Java的

\p{Alpha}

，因为

但是你会注意到你没有考虑到破折号（

\p{Pd}

或破折号标点符号的作用，但这并不包括大多数连字符！）、撇号（通常但不总是U+27、U+2BC、U+2019或U+FF07中的一个）、逗号或句号/句号

为了以防万一，您可能最好包括

\p{Pc}

connectorputuation

如果您有Unicode派生属性

\p{Diacritic}

，那么您也应该使用它，因为它包括加泰罗尼亚语中成对L所需的中间点以及人们有时使用的非组合形式的变音符号

但是你会发现人们在他们的名字中使用序数的方式是

\p{Nl}

（字母数）无法适应的，所以你把

\p{Nd}

（小数）甚至所有的

\pN

（数字）混合在一起

然后，您意识到亚洲名称通常需要使用ZWJ或ZWNJ才能在其脚本中正确书写，因此您必须将U+200D和U+200C添加到组合中，这两个字符都是

\p{Cf}

（格式）字符，实际上也是JoinControl字符

---

当你对不断出现的各种各样的外来字符进行处理时——或者当你认为你已经完成了时——你几乎可以肯定地得出结论，如果你按照建议允许他们使用他们想要的任何Unicode字符作为他们的名字，你会做得更好。是的，你会看到一些小丑加入诸如“你”之类的内容⅂ əɯɐuʇƨɹᴉℲ”, 但这只是一个领域，你不能以任何合理的方式排除愚蠢的名称。

你使用什么语言/正则表达式实现？理想情况下支持所有语言，这是可能的吗？我认为Gumbo的意思是“你在使用什么编程语言？”阅读。我不知道我更喜欢这个答案是什么：它确实回答了这个问题，它可能会教授很多关于unicode正则表达式的知识，或者它简洁地说明了为什么尝试验证实名是个坏主意。