Question

例如，我想匹配一个由m到n个汉字组成的字符串，然后我可以使用：

[single Chinese character regular expression]{m,n}

是否存在单个汉字的正则表达式，可能是存在的任何汉字？

Answer 1

匹配中文（好吧，CJK）角色的正则表达式是

\p{script=Han}

可以简单地用于

\p{Han}

这假设您的正则表达式编译器符合requirement RL1.2 Properties from UTS#18 Unicode Regular Expressions。 Perl和Java 7都符合该规范，但许多其他规则都没有。

Answer 2

在Java中，

\p{InCJK_UNIFIED_IDEOGRAPHS}{1,3}

Answer 3

是否存在单个汉字的正则表达式，可能是存在的任何汉字？

<强>建议

要将模式与中文字符和其他Unicode代码点与Flex兼容的词法分析器匹配，您可以使用RE/flex lexical analyzer用于向后兼容Flex的C ++。 RE / flex支持Unicode，并与Bison一起构建词法分析器和解析器。

您可以在RE / flex规范中编写Unicode模式（和UTF-8正则表达式），例如：

%option flex unicode
%%
[肖晗]   { printf ("xiaohan/2\n"); }
%%

使用全局%option unicode启用Unicode。您还可以使用局部修饰符(?u:)将Unicode限制为单个模式（因此其他所有内容仍为ASCII / 8位，如Flex中所示）：

%option flex
%%
(?u:[肖晗])   { printf ("xiaohan/2\n"); }
(?u:\p{Han})  { printf ("Han character %s\n", yytext); }
.             { printf ("8-bit character %d\n", yytext[0]); }
%%

选项flex支持Flex兼容性，因此您可以使用yytext，yyleng，ECHO等。如果没有flex选项，RE / flex期望Lexer方法调用：text()（或str()和wstr() std::string和std::wstring），{{ 1}}（或size()表示宽字符长度）和wsize()。 RE / flex方法调用是更清晰的恕我直言，并包括宽字符操作。

<强>背景

在普通的Flex中，我最终定义了丑陋的UTF-8模式，以便为需要支持Unicode标识符的编译器项目捕获ASCII字母和UTF-8编码字母echo()：

id

digit [0-9] alpha ([a-zA-Z_\xA8\xAA\xAD\xAF\xB2\xB5\xB7\xB8\xB9\xBA\xBC\xBD\xBE]|[\xC0-\xFF][\x80-\xBF]*|\\u([0-9a-fA-F]{4})) id ({alpha})({alpha}|{digit})*模式支持在标识符（alpha等）中使用的ASCII字母，下划线和Unicode代码点。该模式允许更多的Unicode代码点，而不是绝对必要的，以保持这种模式的大小可管理，因此它在一些缺乏准确性的情况下交易紧凑性，并且在某些无效UTF-8的情况下允许UTF-8 overlong characters。如果您正在考虑这种方法而不是对问题和安全问题保持警惕。请使用支持Unicode的扫描仪生成器，例如RE/flex。

<强>安全

在Flex模式中直接使用UTF-8时，有几个问题：

在Flex中编码您自己的UTF-8模式以匹配任何Unicode字符可能容易出错。模式应仅限于有效Unicode范围内的字符。 Unicode代码点覆盖范围U + 0000到U + D7FF和U + E000到U + 10FFFF。范围U + D800到U + DFFF保留用于UTF-16代理对，并且是invalid code points。使用工具将Unicode范围转换为UTF-8时，请确保排除无效的代码点。
模式应拒绝overlong和其他invalid byte sequences。不应无声地接受无效的UTF-8。
要捕获词法分析器中的词汇输入错误，需要一个特殊的\p{L}（点）来匹配有效和无效的Unicode，包括UTF-8溢出和无效的字节序列，以便产生错误消息输入被拒绝。如果你使用dot作为＆＃34; catch-all-else＆＃34;要生成错误消息，但你的点与无效的Unicode不匹配，那么你的词法分析器将挂起（＆＃34;扫描仪被卡住＆＃34;）或者你的词法分析器会在输出上的ECHO垃圾字符由Flex＆＃34;默认规则＆＃34;
您的扫描仪应识别输入中的UTF BOM（Unicode字节顺序标记），以切换为UTF-8，UTF-16（LE或BE）或UTF-32（LE或BE）
正如您所指出的那样，.等模式根本不适用于Flex，因为括号列表中的UTF-8字符是多字节字符，每个单字节字符可以匹配但不能匹配UTF -8个字符。

另请参阅RE / flex用户指南中的invalid UTF encodings。

Answer 4

在C＃中

new Regex(@"\p{IsCJKUnifiedIdeographs}")

这里是the Microsoft docs

这是来自维基百科的更多信息：CJK Unified Ideographs

名为CJK统一表意文字（4E00–9FFF）的基本块包含20,976个基本汉字，范围从U + 4E00到U + 9FEF。该块不仅包含中文书写系统中使用的字符，而且还包含日语书写系统中使用的汉字和汉字，而汉字在韩国逐渐减少。该块中的许多字符都在所有三个书写系统中使用，而其他字符仅在三个书写系统中的一两个中使用。越南的Nôm文字（现在已经过时）中也使用了汉字。

Answer 5

刚刚解决了一个类似的问题，

当你有太多东西要匹配时，最好使用 negated-set 并声明你不想匹配的内容：

所有但不是数字：^[^0-9]*$

第二个 ^ 将实现否定

Answer 6

在Java 7及更高版本中，格式应为：＆＃34; \ p {IsHan}＆＃34;

使用正则表达式匹配utf-8编码中的任何中文字符

6 个答案: