5

我目前正在使用 Java 6（我没有迁移到 Java 7 的选项），并且我正在尝试使用 java.util.regex 包对包含 Unicode 字符的字符串进行模式匹配。

我知道 java.lang.String 支持补充字符（即代码点 > 0xFFFF 的字符）（从 Java 5 开始），但我没有看到一种简单的方法来对这些字符进行模式匹配。java.util.regex.Pattern 仍然只允许使用 4 位数字表示十六进制（例如 \uFFFF）

有谁知道我是否在这里缺少 API？

4

2 回答 2

7

我从未使用补充字符进行模式匹配，但我认为它就像将它们（在模式和字符串中）编码为两个 16 位数字（一个 UTF-16 代理对） \unnnn\ummmm 一样简单。 java.util.regex 应该足够聪明地将这两个数字（Java 字符）解释为模式和字符串中的单个字符（尽管 Java 仍将它们视为两个字符，作为字符串的元素）。

两个链接：

Java Unicode 编码

http://java.sun.com/developer/technicalArticles/Intl/Supplementary/

从最后一个链接（参考 Java 5）：

java.util.regex 包已更新，因此模式字符串和目标字符串都可以包含补充字符，这些补充字符将作为完整的单元处理。

另请注意，如果您使用 UTF8 作为编码（用于源文件），您也可以直接编写它们（请参阅最后一个链接中的“在源文件中表示补充字符”部分）。

例如：

    String pat1 = ".*\uD840\uDC00{2}.*";
    String s1  = "HI \uD840\uDC00\uD840\uDC00 BYE";
    System.out.println(s1.matches(pat1) + " len=" + s1.length());

    String pat2 = ".*\u0040\u0041{2}.*";
    String s2 = "HI \u0040\u0041\u0040\u0041 BYE";
    System.out.println(s2.matches(pat2) + " len=" + s2.length());

这用 Java 6 编译，打印

true len=11
false len=11

这与上述一致。在第一种情况下，我们有一个单独的代码点，表示为一对代理 java 字符（两个 16 位字符，一个补充 Unicode 字符），{2}量词应用于这对（=代码点）。在第二个中，我们有两个不同的 BMP 字符，量词适用于最后一个 - 因此，不匹配。

但是请注意，字符串长度是相同的（因为 Java 测量字符串长度是计算 Java 字符，而不是 Unicode 代码点）。

于 2011-03-23T18:41:21.720 回答
2

最简单的解决方案是对源代码使用 UTF-8 编码。然后直接把字符放进去。您永远不必在任何程序中指定单独的代码单元。

然而，字符类仍然存在问题，因为 Java 暴露的 UTF-16 内部编码把它们弄乱了。在 JDK7 之前，您不能使用完整的 Unicode，即便如此，您也必须使用间接\x{HHHHH}表示法指定逻辑代码点。您仍然无法在 charclass 中拥有任何文字代码点，但您可以使用\x{H..H}.

不完美，但比以前好多了。UTF-16 始终是一种妥协。在内部使用 UTF-8 或 UTF-32 的系统没有这些限制。它们也永远不会让您指定与代码点不同的代码单元。

于 2011-04-16T00:05:31.967 回答