我需要确定我的输入属于哪种自然语言。目标是区分混合输入中的阿拉伯语和英语单词，其中输入是 Unicode 并从 XML 文本节点中提取。我注意到了课堂Character.UnicodeBlock。和我的问题有关吗？我怎样才能让它工作？
编辑：
该Character.UnicodeBlock方法对阿拉伯语很有用，但显然不适用于英语（或其他欧洲语言），因为BASIC_LATINUnicode 块涵盖符号和不可打印字符以及字母。所以现在我使用带有正则表达式matches()的对象的方法。我可以忍受它，但也许有人可以提出更好/更快的方法。String"[A-Za-z]+"
是的，您可以简单地使用Character.UnicodeBlock.of(char)
如果[A-Za-z]+满足您的要求，您将找不到更快或更漂亮的东西。但是，如果你想匹配 Latin1 块中的所有字母（包括重音字母和连字），你可以使用这个：
Pattern p = Pattern.compile("[\\pL&&\\p{L1}]+");
这是所有 Unicode 字母的集合和所有 Latin1 字符的集合的交集。
Unicode Script 属性可能更有用。在 Java 中，可以使用java.lang.Character.UnicodeScript类来查找它：
Character.UnicodeScript script = Character.UnicodeScript.of(c);
英文字符往往在这 4 个 Unicode 块中：
ArrayList<Character.UnicodeBlock> english = new ArrayList<>();
english.add(Character.UnicodeBlock.BASIC_LATIN);
english.add(Character.UnicodeBlock.LATIN_1_SUPPLEMENT);
english.add(Character.UnicodeBlock.LATIN_EXTENDED_A);
english.add(Character.UnicodeBlock.GENERAL_PUNCTUATION);
因此，如果您有一个字符串，您可以遍历所有字符并查看每个字符所在的 Unicode 块：
for (char currentChar : myString.toCharArray())
{
Character.UnicodeBlock unicodeBlock = Character.UnicodeBlock.of(currentChar);
if (english.contains(unicodeBlock))
{
// This character is English
}
}
如果它们都是英文的，那么你知道你有全是英文的字符。您可以对任何语言重复此操作；您只需要弄清楚每种语言使用的 Unicode 块。
注意：这并不意味着您已经证明该语言是英语。您只证明了它使用的是英文字符。它可能是法语、德语、西班牙语或其他字符与英语有很多重叠的语言。
还有其他方法可以检测实际的自然语言。像 langdetect 这样的库，我已经非常成功地使用了，可以为你做到这一点：
你有与这个相反的问题，但具有讽刺意味的是，什么对他不起作用，它应该对你有用。它只是用 reg-exp "\w" 查找英文单词（仅与 ASCII 兼容的字符）。