java - 匹配 Java 中的泰语字符

Question

在过去的两个小时里，我有很多性感的时间来处理我数据库中的泰文字符串。它们神秘地排列，输出时变异，没有自然秩序，是一场灾难。

我想忽略任何带有泰语字符的字符串，但我不知道如何：

Pattern.compile("\\p{Thai}")初始化失败。"[ก-๛]"- 那会奏效吗？正确的方法是什么？

Answer 1

Thai是一个 Unicode 块，Unicode 块应指定为\p{In...}：

Pattern.compile("\\p{InThai}") 

Answer 2

当您指的是 Unicode 脚本时，您不应该使用 Unicode 块。例如，一个฿，即Unicode 中的代码点U+0E3F THAI CURRENCY SYMBOL BAHT，是一个\p{Block=Thai}ᴀᴋᴀ\p{InThai}字符，但它不是\p{Script=Thai}ᴀᴋᴀ\p{IsThai}字符。它是该集合的货币符号\p{Script=Common}。

对于像希腊语这样的大型系列来说尤其如此。希腊文块中有 18 个码点不在希腊文中，希腊文中有 250 个码点不在希腊文块中。

幸运的是，您不必担心这里有泰语的人，因为从 Unicode 6.0 开始，这里只有 U+0E3F 是一个异常值。在这方面你是双重幸运的，因为标准 Java 不支持 Java 7 之前的 Unicode 脚本；奇怪但真实。对于 JDK7 之前的版本中的 Unicode 脚本支持，您必须使用 JNI 来获取 ICU 正则表达式库，就像 Google 在 Android 上为 Java 所做的那样。不过，他们的方法有很多好处，所以即使它是 JNI，也可能值得考虑。