Java'nın Normal İfadesi, diğer dillerdeki karakterleri kelime karakterleri olarak tanımıyor (i.e \ w)

Question

Bir kelimem var: "Aiavärav". \w+ ifadesi bu sözcüğü yakalamalı, ancak "ä" harfi sözcüğü yarıya indirir. "Aiavärav" yerine "Aia" yı alırım. Ascii olmayan harfleri içeren kelimeler için doğru ifade nedir?

Pattern.compile("\\w+", Pattern.UNICODE_CHARACTER_CLASS) 

veya desende bir (?U) gömmek: Eğer UNICODE_CHARACTER_CLASS bayrağı belirtmedikçe

Answer 1

the documentation göre, \w sadece [a-zA-Z_0-9] maçları

Pattern.compile("(?U)\\w+") 

bunlardan herhangi biri JDK 1.7 gerektirir (yani, Java 7). (; [a-zA-Z] gibi ama değil ASCII özgü "harfi") ve \p{N} ("sayı"; Java 7 yoksa

, sen \p{L} kullanarak Unicode \w genelleme yapabiliriz [0-9] gibi ama değil ASCII) özel:

Pattern.compile("[\\p{L}_\\p{N}]+") 

Ama belki (programlama dili anlamında aksine) normal anlamda, fiili kelime aradığınız gibi geliyor, ve rakam ve alt desteklemek gerekmez ?

Pattern.compile("\\p{L}+") 

(Bu arada, kıvırcık parantez aslında — isteğe bağlıdır Eğer \pL yerine p{L} yerine \p{N} — ait \pN yazabilir ama insanlar genelde, çünkü zaten onları şunlardır: Bu durumda, sadece \p{L} kullanabilirsiniz \p{Lu} "büyük harf" gibi çok harfli kategoriler için gereklidir.)