在 Java 中使用正则表达式模式检测非拉丁字符

编程问答 2022-05-31

问题描述

我认为拉丁字符是我在问题中的意思，但我不完全确定正确的分类是什么。我正在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

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

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");

解决方法

TL;DR： 使用正则表达式 ^[\p{Print}\p{IsLatin}]*$

如果字符串包含以下内容，您需要一个匹配的正则表达式：

  • 空格
  • 数字
  • 标点符号
  • 拉丁字符（Unicode 脚本“Latin”）

最简单的方法是将 \p{IsLatin} 与 \p{Print} 结合，其中 Pattern 将 \p{Print} 定义为：

  • \p{Print} - 一个可打印的字符：[\p{Graph}\x20]
    • \p{Graph} - 一个可见字符：[\p{Alnum}\p{Punct}]
      • \p{Alnum} - 一个字母数字字符：[\p{Alpha}\p{Digit}]
        • \p{Alpha} - 一个字母字符：[\p{Lower}\p{Upper}]
          • \p{Lower} - 小写字母字符：[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：!"#$%&'()*+,-./:;<=>?@[\]^_`{|}~
        • 之一
    • \x20 - 一个空格：

这使得 \p{Print} 与 [\p{ASCII}&&\P{Cntrl}] 相同，即不是控制字符的 ASCII 字符。

\p{Alpha} 部分与 \p{IsLatin} 重叠，但没关系，因为字符类消除了重复项。

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
,

所有 Latin Unicode character classes 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，答案是要么

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

请注意，下划线已从 Java 中的 Unicode 属性类名称中删除。

见Java demo：

List<String> strs = Arrays.asList(
        "abcDE 123",// Yes,this should match
        "!@#$%^&*",this should match
        "aaàààäää",this should match
        "ベビードラ",// No,this shouldn't match
        "????");     // No,this shouldn't match  
Pattern LatinPattern = Pattern.compile("^[\\p{InBasicLatin}\\p{InLatin-1Supplement}\\p{InLatinExtended-A}\\p{InLatinExtended-B}]+$");
//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");
    }
}

注意：如果将 .find() 替换为 .matches()，则可以丢弃模式中的 ^ 和 $。

输出：

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