Correspondance (par exemple) d'une lettre Unicode avec des expressions rationnelles Java

Il y a beaucoup de questions et de réponses ici, sur StackOverflow qui supposent une "lettre" peut être mis en correspondance dans une regexp par [a-zA-Z]. Cependant, avec Unicode il y a beaucoup plus de caractères que la plupart des gens considéreraient comme une lettre (toutes les lettres grecques, Cyrllic .. et beaucoup plus. Unicode définit le nombre de blocs qui peuvent avoir des "lettres".

La Java définition définit Posix classes pour des choses comme les caractères alpha, mais qui est spécifié pour fonctionner uniquement avec de l'US-ASCII. Les classes de caractères prédéfinies définir les mots qui se composent de [a-zA-Z_0-9]ce qui exclut également de nombreuses lettres.

Alors, comment pouvez-vous bien les match contre les chaînes Unicode? Est-il un autre bibliothèque qui obtient ce droit?

source d'informationauteur The Archetypal Paul

  1. 15

    Ici vous avez une très belle explication:

    http://www.regular-expressions.info/unicode.html

    Quelques conseils:

    "Java et .NET, malheureusement, ne prennent pas en charge \X (encore). Utilisation \P{M}\p{M}* comme un substitut. Pour correspondre à n'importe quel nombre de graphèmes, l'utilisation (?:\P{M}\p{M}*)+ au lieu de \X+."

    "En Java, la regex jeton \uFFFF seulement correspond au code point, même lorsque vous avez activé canonique de l'équivalence. Cependant, la même syntaxe \uFFFF est également utilisé pour insérer des caractères Unicode dans les chaînes littérales dans le code source Java. Pattern.compile("\u00E0") va correspondre à la fois à l'unique point de code et double-code-point de codages de àtandis que Pattern.compile("\\u00E0") correspond seulement au seul point de code de la version. Rappelez-vous que lors de l'écriture d'une expression régulière comme Java littéral de chaîne, les barres obliques inverses doivent être échappés. L'ancien code Java compile les regex àtandis que la seconde compile \u00E0. En fonction de ce que vous faites, la différence peut être importante."

  2. 5

    Tu parles Unicode catégories, comme les lettres? Ces sont compensées par une expression rationnelle de la forme \p{CAT}où le "CHAT" est le code de la catégorie comme L pour toute lettre, ou une sous-catégorie, comme Lu pour la majuscule ou Lt pour le titre de cas.

  3. 2

    Citant la JavaDoc de java.util.regex.Modèle.

    Support de l'Unicode

    Cette classe est en conformité avec les
    Le niveau 1 de la Norme Technique Unicode n ° 18: Unicode Expression Régulière Lignes Directrices, plus RL2.1 Canonique Équivalents.

    Séquences d'échappement Unicode comme
    \u2014 dans le code source de Java sont
    traitées comme décrit dans §3.3 de l'
    Java Langage De Spécification. Ces
    les séquences d'échappement sont également mis en œuvre
    directement par l'expression régulière
    analyseur de sorte qu'Unicode échappe peut être
    utilisé dans les expressions qui sont lues à partir de
    fichiers ou à partir du clavier. Ainsi, l'
    les chaînes "\u2014" et "\\u2014", tandis que
    pas d'égalité, de compiler dans la même
    modèle, qui correspond au caractère
    avec la valeur hexadécimale 0x2014.

    Blocs Unicode et les catégories sont
    écrit avec l' \p et \P constructions
    comme en Perl. \p{prop} si l'
    entrée a la propriété prop, tandis que
    \P{prop} ne correspond pas si l'entrée
    a cette propriété. Les blocs sont
    spécifié avec le préfixe, comme dans
    InMongolian. Les catégories peuvent être
    spécifié avec l'option préfixe Est:
    \P{L} et \p{IsL} désigner l'
    catégorie de l'Unicode des lettres. Les blocs
    et les catégories peuvent être utilisés à la fois à l'intérieur
    et à l'extérieur d'une classe de caractères.

    Les catégories sont celles de
    Le Standard Unicode dans la version
    spécifié par le Caractère de classe. L'
    les noms de catégorie sont ceux qui sont définis dans
    la Norme, à la fois normatifs et
    informatif. Les noms des blocs pris en charge
    par un Motif valides sont les noms des blocs
    reconnus et définis par
    UnicodeBlock.forName.