Java正则表达式中\ w和\ b的Unicode等价物？

Question

许多现代正则表达式实现将\w字符类简写解释为“任何字母，数字或连接标点符号”（通常为下划线）。这样，像\w+这样的正则表达式匹配hello，élève，GOÄ_432或gefräßig等字词。

不幸的是，Java没有。在Java中，\w仅限于[A-Za-z0-9_]。除了其他问题之外，这使得上面提到的匹配单词变得困难。

\b字词分隔符似乎在不应该的位置匹配。

Java中类似.NET，支持Unicode的\w或\b的正确等价物是什么？哪些其他快捷方式需要“重写”以使其具有Unicode感知功能？

Answer 1

Answer 2

\w不起作用真的很不幸。建议的解决方案\p{Alpha}对我来说也不起作用。

似乎[\p{L}]捕获了所有Unicode字母。因此，\w的等效Unicode应为[\p{L}\p{Digit}_]。

Answer 3

在Java中，\w和\d不支持Unicode;它们仅匹配ASCII字符[A-Za-z0-9_]和[0-9]。同样适用于\p{Alpha}和朋友（他们所基于的POSIX“字符类”应该是区域设置敏感的，但在Java中它们只匹配ASCII字符）。如果你想匹配Unicode“单词字符”，你必须拼写出来，例如[\pL\p{Mn}\p{Nd}\p{Pc}]，用于字母，非间距修饰符（重音符号），十进制数字和连接标点符号。

然而，Java的\b 精通Unicode;它使用Character.isLetterOrDigit(ch)并检查重音字母，但它识别的唯一“连接标点”字符是下划线。 编辑：当我尝试您的示例代码时，会按照应有的方式打印""和élève"（see it on ideone.com）。