正则表达式忽略下划线

Question

我有一个正则表达式([-@.\/,':\w]*[\w])*，它可以匹配文本中的所有单词（包括像 I.B.M 这样的标点符号单词），但是我想排除下划线并且似乎无法弄清楚如何做到这一点... 我尝试添加 ^[_] （例如 (^[_][-@.\/,':\w]*[\w])*）但它会将所有单词分解为字母。我希望保留单词匹配，但不想让单词中有下划线，也不想让单词完全由下划线组成。

应该如何正确处理？

P.S.

• 我的应用程序是使用 C# 编写的（如果有任何差异）。
• 我不能使用 A-Za-z0-9，因为我必须匹配不同语言的单词（可能是中文、俄语、日语、德语、英语）。

更新
这里是一个例子：

"I.B.M 应被解析为一个单词 w_o_r_d！ 俄语也应该工作：мплекс исторических событий。"

匹配结果应为：

I.B.M.  
should  
be  
parsed  
as  
one  
word  
Russian  
should  
work  
too  
мплекс  
исторических  
событий  

请注意，w_o_r_d 不应匹配。

- Kiril

---

^[_] 应该改为 [^_]。前者将匹配字符串（或多行）开头的 _。 - Mike Park

@climbage，那确实有帮助忽略下划线，但单词中的下划线仍然存在。 - Kiril

Answer 1

尝试使用以下方法代替：

([-@.\/,':\p{L}\p{Nd}]*[\p{L}\p{Nd}])*

\w 类是由 [\p{L}\p{Nd}\p{Pc}] 组成的，当您执行 Unicode 匹配时使用该类。（如果您执行非 Unicode 匹配，则仅使用 [a-zA-Z0-9]。）

它是 \p{Pc} Unicode 类别——标点符号/连接符——导致匹配下划线的问题，因此我们明确针对其他类别进行匹配而不包括该类别。

（更多信息请参见此处："字符类：单词字符" 和此处："字符类：支持的 Unicode 通用类别"。）

- LukeH

---

\p{L}与[\p{Ll}\p{Lu}\p{Lt}\p{Lo}\p{Lm}]相同，可以显著减少正则表达式的长度。请参阅支持的Unicode通用类别。 - jb.

Answer 2

下划线来自于\w。

只需使用A-Za-z0-9即可。

- sidyll

---

嗨，sidyll，感谢你提供的信息，但不幸的是我不能使用A-Za-z0-9，因为我必须匹配无论哪种语言的单词（可能是中文、俄语、日语、德语、英语）。 - Kiril

Answer 3

对于LukeH的正则表达式的更简洁版本，您可以使用以下代码：

([-@.\/,':\p{L}]*\p{L})*

我只是使用了\p{L}代替Lu, Ll, Lt, Lo, Lm。请参见支持的Unicode通用类别

- jb.