问题标签 [character-properties]

我有一些文档通过 OCR 转换从 PDF 到 HTML。正因为如此，他们最终在转换器搞砸的地方有很多随机的 unicode 标点符号（即省略号等）。他们也正确地有一堆非英语，但仍然是字母字符，如é和俄语字符等......

有没有办法制作一个匹配任何 unicode 字母字符（来自任何语言的字母）的正则表达式？还是只匹配非字母字符？任何一个都会非常有帮助和真棒。我正在使用 Perl，如果这改变了任何东西。谢谢！

在 .net 中你可以\p{L}用来匹配任何字母，我如何在 Python 中做同样的事情？即，我想匹配任何大写、小写和重音字母。

我有一个多语言网站（中文和英文）。

我喜欢在 javascript 中验证文本字段（名称字段）。到目前为止，我有以下代码。

问题是，/^[characters]{1,20}$/ 只匹配英文字符。是否可以匹配任何（包括 unicode）字符？我曾经使用以下正则表达式，但我不想在每个字符之间留有空格。

我需要编写一个正则表达式，以便在进一步发送之前替换用户输入中的无效字符。我想我需要用它string.replaceAll("regex", "replacement")来做到这一点。特定的代码行应该替换所有不是 unicode 字母的字符。所以这是一个Unicode字符的白名单。基本上它是验证和替换用户名字的无效字符。

到目前为止我发现的是：\p{L}\p{M}，但我不知道如何在正则表达式中启动它，所以它会像我上面解释的那样工作。这会是一个正则表达式否定案例吗？

我想在 Java 中使用这样的正则表达式：[[=a=][=e=][=i=]]。

但是 Java 不支持 POSIX 类[=a=], [=e=] etc。

我怎样才能做到这一点？更准确地说，有没有办法不使用 US-ASCII？

根据Oniguruma 文档，\d字符类型匹配：

十进制数字字符
Unicode：General_Category -- Decimal_Number

但是，\d在包含所有 Decimal_Number 字符的字符串中进行扫描会导致仅匹配拉丁语 0-9 数字：

我是否误读了文档？为什么不\d匹配其他 Unicode 数字，和/或有办法让它匹配？

UTS#18中描述了各种级别的 Unicode 正则表达式支持。

有没有办法对每个需求进行一些测试，因此可以将测试移植到相关语言，运行它们并收集结果？

其他 Unicode 文档是否也有支持级别的概念，例如字符串实现/库？

我有一个任意长度的字符串类型列表，我需要确保列表中的每个字符串元素都是字母数字或数字，没有空格和特殊字符等- \ / _。

接受的字符串示例包括：

不可接受的字符串示例包括：

等基本无话。

我目前正在使用stringInstance.matches("regex")但不太确定如何编写适当的表达式

true对于不符合我提到的格式的单词，此方法将始终返回。

我用英语寻找的正则表达式的描述类似于：
任何字符串，其中字符串包含来自 (a-zA-Z AND 0-9 AND special characters)
OR (0-9 AND Special characters)
OR (0-9)

编辑：我想出了以下有效的表达方式，但我觉得它可能很糟糕，因为它不清楚或复杂。

表达方式：

我用这个网站来帮助我：http: //xenon.stanford.edu/~xusch/regexp/analyzer.html
请注意，我对正则表达式还是新手

JAVA 的正则表达式：我需要将请求参数的值与 unicode 字符匹配，但它不应允许空间。基本上是一个正则表达式，它应该允许所有没有空格的 unicode 字符。我尽一切努力但徒劳无功:(

我从你的网站得到了下面的正则表达式，但它也允许空间，所以请帮忙

例如“ Suraj$÷”应该是真的，但“ Suraj $÷”这应该是假的

当我通过检查是否有任何坏字符来清洗受污染的数据时，是否有 unicode-properties 可以过滤坏字符？