Question

我有一个正则表达式([-@.\/,':\w]*[\w])*，它匹配文本中的所有单词（包括像IBM这样的标点符号），但我想让它排除下划线，我似乎无法弄清楚如何去做。 ..我尝试添加^[_]（例如(^[_][-@.\/,':\w]*[\w])*），但它只是将所有单词分解为字母。我想保留单词匹配，但我不希望在其中包含带下划线的单词，也不希望单词完全由下划线组成。

这样做的正确方法是什么？

P.S。

我的应用程序是用C＃编写的（如果这有任何区别）。
我不能使用A-Za-z0-9，因为我必须匹配单词而不管语言（可能是中文，俄语，日语，德语，英语）。

更新
这是一个例子：

“I.B.M应该被解析为一个单词w_o_r_d！俄语也应该起作用：мплексисторическихсобытий。”

比赛应该是：

I.B.M.  
should  
be  
parsed  
as  
one  
word  
Russian  
should  
work  
too  
мплекс  
исторических  
событий

请注意，w_o_r_d不应匹配。

Answer 1

请改为尝试：

([-@.\/,':\p{L}\p{Nd}]*[\p{L}\p{Nd}])*

当您执行Unicode匹配时，\w类由[\p{L}\p{Nd}\p{Pc}]组成。（或者，如果您正在进行非Unicode匹配，则只需[a-zA-Z0-9]。）

这是\p{Pc} Unicode类别 - 标点符号/连接符 - 通过匹配下划线导致问题，因此我们明确地与其他类别匹配而不包括那个。

（更多信息，请"Character Classes: Word Character"，此处"Character Classes: Supported Unicode General Categories"。）

Answer 2

Tue下划线来自\w。

只需改为使用A-Za-z0-9。

Answer 3

对于LukeH正则表达式的更简洁版本，您可以简单地使用：

([-@.\/,':\p{L}]*\p{L})*

我只使用\p{L}代替Lu, Ll, Lt, Lo, Lm。见Supported Unicode General Categories

正则表达式忽略下划线

3 个答案: