utf-8 - 处理用于代替拉丁字符的西里尔字母

Question

我们最近有一个用户输入英文文本，但它似乎是在为西里尔文设置的计算机上完成的，因为某些字母（例如“a”）实际上是西里尔小写字母 A，而不是拉丁小写字母 A。

我认为规范化会将西里尔文转换为拉丁文等价物，但事实并非如此（我猜它们只是在显示方式上等价，而不是在含义上）。

这是一个常见问题吗 - 为西里尔文设置计算机的用户可能正在写英文，但使用的是西里尔字母？

一般来说，什么是发现这一点并适当转换的安全方法？

Answer 1

要检测西里尔字母，只需使用正则表达式匹配 [\p{IsCyrillic}]。更通用的方法是搜索任何非拉丁字符。那些你有匹配的，你需要用它们的拉丁对应物替换字符。