在Java中如何匹配Unicode字符

Question

我正在尝试在Java中匹配Unicode字符。

输入字符串：informa

要匹配的字符串：informátion

目前我尝试了以下方法：

Pattern p= Pattern.compile("informa[\u0000-\uffff].*", (Pattern.UNICODE_CASE|Pattern.CANON_EQ|Pattern.CASE_INSENSITIVE));
    String s = "informátion";
    Matcher m = p.matcher(s);
    if(m.matches()){
        System.out.println("Match!");
    }else{
        System.out.println("No match");
    }

它的翻译是“没有匹配项”。有什么想法吗？

- ankimal

---

îñfórmåtìön怎么样？应该匹配吗？ - kennytm

是的，那就是想法。现在只需要á就可以了。 - ankimal

Answer 1

术语“Unicode字符”不够具体。它将匹配Unicode范围内的每个字符，因此也包括“普通”字符。然而，当人们实际上指的是“不在可打印ASCII范围内的字符”时，这个术语经常被使用。

在正则表达式中，这将是[^\x20-\x7E]。

boolean containsNonPrintableASCIIChars = string.matches(".*[^\\x20-\\x7E].*");

根据您想要使用这些信息的目的，以下是一些有用的后续答案：

• 去除特殊字符
• 去除变音符号

- BalusC

---

java.text.Normalizer似乎是正确的选择（第二点）。Unicode匹配似乎无法按预期工作，即使它能够正常工作，我也可能会受到性能惩罚。 - ankimal

如果您的实际功能要求是“去除变音符号”，那么这确实是正确的方法。您最初的问题只是没有像这样明确表述 :) - BalusC

我认为问题并不十分清晰。目标是能够将“information”与“informátion”匹配，因此需要能够将'a'与任何形式的'a'（如'á'、'å'等）进行匹配。去除变音符号然后进行匹配似乎是可行的方法。 - ankimal

Answer 2

是因为informa根本不是informátion的子字符串吗？

如果在您的正则表达式中删除了informa中的最后一个a，您的代码会如何运行？

- Austin Fitzpatrick

---

informa\u0301在模式字符串中起作用。这与Pattern.CANON_EQ案例有关。 - ankimal

忘记放入此链接：http://java.sun.com/docs/books/tutorial/essential/regex/pattern.html（Pattern.CANON_EQ） - ankimal

Answer 3

看起来你想在匹配字母时忽略变音符号。如果是这样，那么将你的字符串规范化为NFD形式，去除变音符号，然后进行搜索。

String normalized = java.text.Normalizer.normalize(textToSearch, java.text.Normalizer.Form.NFD);
String withoutDiacritical = normalized.replaceAll("\\p{InCombiningDiacriticalMarks}+", "");
// Search code goes here...

了解有关NFD的更多信息：

• https://en.wikipedia.org/wiki/Unicode_equivalence#Normal_forms
• http://unicode.org/faq/normalization.html

- james.garriss