Java regex用于任何语言的字母

Question

标题不是100％准确，我已经阅读了相关的问题，虽然即将结束，但他们并没有真正帮助过。

我想分割一个字符串，以便所有非字母字符都是单个项目，可以考虑任何位置的任何字符组合，无论是stard / end的双/三空格等。示例要好得多比我能描述的任何方式：

String: " Hello, Tim! " desired result: {" ", "Hello", ",", " ", "Tim", "!", " ", " "}

String: "Hi 123!&*" desired result: {"Hi", " ", "1", "2", "3", "!", "&", "*"}

String: " الْجُمْلَةُ الاسْمِيَّةُ 2" desired result: {" ", "2", " ", "الْجُمْلَةُ" ,"الاسْمِيَّةُ"}

我尝试的第一个正则表达式是："\\P{L}"（匹配非类型字母） 这不适用于阿拉伯语或其他复杂的脚本（也尝试过卡纳达语）

第二次尝试："\\p{Space}|\\p{Punct}|\\p{Digit}"（几乎匹配我要分割的所有字符）。 这样做效果要好得多，任何语言中的单词看起来都很完美，但是对于像double / tripple space这样的东西我会得到不希望的结果，这是一个例子;

String: "Hi " result: {"Hi", " ", " "} (correct)

String: "Hi Hi" result: {"Hi", " ", " ", " ", " ", "Hi"} (incorrect, too many spaces)

提前致谢！

Answer 1

这适用于所有语言：

str.split("(?<=\\P{L})|(?=\\P{L})")

它使用后面的外观或非前后的前瞻方式进行分割。

更新

虽然以上适用于＆＃34;大多数＆＃34;语言，似乎卡纳达语脚本字符不被视为＆＃34;字母＆＃34;。这种解决方法正则表达式打破了空格，数字（任何语言）和标点符号与＆＃34;非字母＆＃34;脚本：

str.split("(?<=[\\s\\p{N}\\p{Punct}])|(?=[\\s\\p{N}\\p{Punct}])");

这个使用谷歌翻译创建的阿拉伯语示例有效：

String str = "شكرا  جزيلا";
String[] split = str.split("(?<=\\P{L})|(?=\\P{L})");
System.out.println(Arrays.toString(split));

输出：

[شكرا,  ,  , جزيلا]

Answer 2

您可能只想使用Character.isLetter（字符）自己编写函数，而不是信任正则表达式。如果你正确行事，Java可能会更快或更快，而且它会更清晰，更简单，更有可能减少错误。

Answer 3

我目前最好的解决方案就是这个;

"(?<=\\p{Space}|\\p{Punct}|\\p{Digit})|(?=\\p{Space}|\\p{Punct}|\\p{Digit})"

这是波西米亚人的回答，可以在前/后匹配我希望分割的大多数角色。

我想它仍会有问题，Space / Punct / Digit并不是所有非launguage字母，但它在我的测试中仍比P{L}更可靠。< / p>

我仍然愿意接受更好的解决方案。