java中用regex模式检测非拉丁字符

snvhrwxg  于 2021-06-27  发布在  Java
关注(0)|答案(2)|浏览(780)

我认为拉丁字符是我的问题,但我不完全确定什么是正确的分类。我尝试使用正则表达式模式来测试字符串是否包含非拉丁字符。我期待以下结果

"abcDE 123";  // Yes, this should match
"!@#$%^&*";   // Yes, this should match
"aaàààäää";   // Yes, this should match
"ベビードラ";   // No, this shouldn't match
"????";  // No, this shouldn't match

我的理解是 {IsLatin} 预设只是检测是否有任何字符是拉丁语。我想检测是否有任何字符不是拉丁语。

Pattern LatinPattern = Pattern.compile("\\p{IsLatin}");
Matcher matcher = LatinPattern.matcher(str);
if (!matcher.find()) {
    System.out.println("is NON latin");
    return;
}
System.out.println("is latin");
jexiocij

jexiocij1#

热释光;dr:使用正则表达式 ^[\p{Print}\p{IsLatin}]*$ 如果字符串包含以下内容,则需要匹配的正则表达式:
空间
数字
标点符号
拉丁字符(unicode脚本“拉丁”)
最简单的方法是合并 \p{IsLatin}\p{Print} ,在哪里 Pattern 定义 \p{Print} 作为: \p{Print} -可打印字符:
[\p{Graph}\x20] \p{Graph} -可见字符:
[\p{Alnum}\p{Punct}] \p{Alnum} -字母数字字符:
[\p{Alpha}\p{Digit}] \p{Alpha} -字母字符:
[\p{Lower}\p{Upper}] \p{Lower} -小写字母:
[a-z] \p{Upper} -大写字母字符:
[A-Z] \p{Digit} -十进制数字:
[0-9] \p{Punct} -标点符号:一种
!"#$%&'()*+,-./:;<=>?@[]^_{|}~\x20` -空间:

这使得 \p{Print} 一样 [\p{ASCII}&&\P{Cntrl}] ,即不是控制字符的ascii字符。
这个 \p{Alpha} 零件与重叠 \p{IsLatin} ,但这很好,因为character类消除了重复项。
所以,正则表达式是: ^[\p{Print}\p{IsLatin}]*$ 测试

Pattern latinPattern = Pattern.compile("^[\\p{Print}\\p{IsLatin}]*$");

String[] inputs = { "abcDE 123", "!@#$%^&*", "aaàààäää", "ベビードラ", "????" };
for (String input : inputs) {
    System.out.print("\"" + input + "\": ");
    Matcher matcher = latinPattern.matcher(input);
    if (! matcher.find()) {
        System.out.println("is NON latin");
    } else {
        System.out.println("is latin");
    }
}

输出

"abcDE 123": is latin
"!@#$%^&*": is latin
"aaàààäää": is latin
"ベビードラ": is NON latin
"????": is NON latin
n3schb8v

n3schb8v2#

所有拉丁unicode字符类都是:

\p{InBasic_Latin}: U+0000–U+007F
\p{InLatin-1_Supplement}: U+0080–U+00FF
\p{InLatin_Extended-A}: U+0100–U+017F
\p{InLatin_Extended-B}: U+0180–U+024F

所以,答案是

Pattern LatinPattern = Pattern.compile("^[\\p{InBasicLatin}\\p{InLatin-1Supplement}\\p{InLatinExtended-A}\\p{InLatinExtended-B}]+$");
Pattern LatinPattern = Pattern.compile("^[\\x00-\\x{024F}]+$"); //U+0000-U+024F

注意,在java中,下划线是从unicode属性类名中删除的。
请参见java演示:

List<String> strs = Arrays.asList(
        "abcDE 123",  // Yes, this should match
        "!@#$%^&*",   // Yes, this should match
        "aaàààäää",   // Yes, this should match
        "ベビードラ", // No, this shouldn't match
        "????");     // No, this shouldn't match  
Pattern LatinPattern = Pattern.compile("^[\\p{InBasicLatin}\\p{InLatin-1Supplement}\\p{InLatinExtended-A}\\p{InLatinExtended-B}]+$");
//Pattern LatinPattern = Pattern.compile("^[\\x00-\\x{024F}]+$"); //U+0000-U+024F
for (String str : strs) {
    Matcher matcher = LatinPattern.matcher(str);
    if (!matcher.find()) {
        System.out.println(str + " => is NON Latin");
        //return;
    } else {
        System.out.println(str + " => is Latin");
    }
}

注:如果更换 .find().matches() ,你可以扔掉 ^ 以及 $ 在模式中。
输出:

abcDE 123 => is Latin
!@#$%^&* => is Latin
aaàààäää => is Latin
ベビードラ => is NON Latin
???? => is NON Latin

相关问题