Unicode字符正则表达式，捕获组。

Question

我有一个正则表达式\p{L}\p{M}*，用于将单词分解为字符，这在印地语或泰语中尤其需要，因为字符可能包含多个“字符”，例如मछली。如果以Java的常规方式拆分，则会得到[म][छ][ल][ी]。而我想要[म][छ][ली]。

我一直在努力改进此正则表达式，以便包括空格字符，以便当我拆分फार्म पशु时，我会得到以下组[फा][र्][म][ ][प][शु]。但是我没有成功。是否有人能帮帮我？

此外，如果有人在java中有替代方法，那也可以是另一种解决方案。我的当前Java代码是：

Pattern pat = Pattern.compile("\\p{L}\\p{M}*");
    Matcher matcher = pat.matcher(word);
    while (matcher.find()) {
        characters.add(matcher.group());
    }

- DianeH

Answer 1

考虑使用BreakIterator：

String text = "मछली";
Locale hindi = new Locale("hi", "IN");
BreakIterator breaker = BreakIterator.getCharacterInstance(hindi);
breaker.setText(text);
int start = breaker.first();
for (int end = breaker.next();
  end != BreakIterator.DONE;
  start = end, end = breaker.next()) {
  System.out.println(text.substring(start,end));
}

我使用Oracle Java 8实现对示例字符串进行了测试。如果需要，还可以考虑ICU4J版本的BreakIterator。

- McDowell