Question

我正在尝试通过删除特殊字符来清理字符串以制作slug。也就是说，我想保留CJK字符，否则这些语言就没有了。

所以我有一个正则表达式，它应该通过列出脚本来保留CJK字符：

"[^-_.\\w-\\p{script=Han}\\p{script=Hira}\\p{script=Kana}\\p{script=Hang}]"

问题是，片假名延长的声音标记“ー”似乎被排除在外。

http://www.unicodemap.org/details/0x30FC/index.html

以下是显示问题的代码：

https://github.com/erwan/unicode-java-issue/blob/master/src/main/java/com/example/Hello.java

它不在我列出的脚本中吗？

编辑：好的，如果您愿意，请在此处编写代码，但它不会提供比正则表达式本身更多的信息。它最有用，所以人们可以试试。

package com.example;

class Hello {
    public static void main(String[] args) {
        String input = "%;アレルギー[]abcd";
        String output= input.replaceAll("[^-_.\\w-\\p{script=Han}\\p{script=Hira}\\p{script=Kana}\\p{script=Hang}]", "");
        System.out.println(output);
    }
}

Answer 1

不，事实上，它不在列出的脚本中。 Unicode Standard将此字符放在this.componentWillReceiveProps = function(nextProps) { if (nextProps.MetaItemId !== this.props.MetaItemId){ ItemStore.CallItem("TenantId", nextProps.MetaItemId); } }脚本中。

应该区分Unicode中的“script”和“block”。该角色属于片假名块，以及其他一些不是字母的字符，例如“片假名迭代标记”（Common）。但它不属于片假名脚本。只有实际的音节属于片假名剧本。

您可以做的一件事是将\u30fd指示替换为script的{{1}}：

block

在这种情况下的输出将包括延长的声音标记。

或者你可以这样做：

Katakana

此模式将匹配所有语言中的所有单词字符，包括但不限于日语。

对于输入字符串output = input.replaceAll("[^-_.\\w-\\p{script=Han}\\p{script=Hira}\\p{block=Katakana}\\p{script=Hang}]", "");，这将产生

アレルギーabceⸯd漢字ру́сский

而我的第一个建议是带有块的那个，输出将是：

アレルギーabced漢字

所以如果你只想限制日语（和韩语），我的第一个建议可能更适合你，而如果你想要所有国际单词字符，第二个会更好。

Answer 2

为了避免匹配该字符，您应该将其添加到否定的类中。

"[^-_ー.\\w-\\p{script=Han}\\p{script=Hira}\\p{script=Kana}\\p{script=Hang}]"

从Kana脚本中排除的Unicode日语延长声音标记？

2 个答案: