删除西里尔文UTF-8编码字符串中的所有非单词字符

Question

通常，为了从String中删除非单词字符，可以使用replaceAll方法：

String cleanWords = "some string with non-words such as ';'".replaceAll("\\W", "");

以上内容返回已清理的字符串“somestringwithnonwordssuchas”。

但是，如果字符串包含西里尔字符，则会将其识别为非单词，并从字符串中删除。预计西​​里尔字符将保留。因此问题。

假设字符串具有UTF-8编码，什么是处理删除非单词字符的任务的正确方法，假设字符串具有UTF-8编码？

Answer 1

试试[^\\p{L}]。这应该匹配除字母之外的每个Unicode代码点。

Pattern class对可能的角色类进行了非常详尽的描述。请注意，默认情况下POSIX字符类仅为ASCII，对您没有多大帮助，您需要使用特定于Unicode的类。

请注意，UNICODE_CHARACTER_CLASS flag会改变POSIX类的行为以符合this section of the Unicode Standard（基本上使它们等同于最接近的Unicode识别等价物）。