नियमित अभिव्यक्ति जिसमें यूनिकोड शब्द

Question

है, मैं एक निश्चित शब्द वाले सभी तारों से मेल खाना चाहता हूं। जैसे:

String regex = (?:\P{L}|\W|^)(ベスパ)(?:\b|$) 

हालांकि, पैटर्न वर्ग यह संकलन नहीं करता है:

java.util.regex.PatternSyntaxException: Unmatched closing ')' near index 39 
(?:\P{L}|\W|^)((?:ベス|ベス|ヘズ)(?:パ)|パ)|ハ)゚)(?:\b|$) 

मैं पहले से ही परम संकलन करने unicode_case निर्धारित करते हैं, यकीन नहीं है कि क्या गलत यहाँ

final Pattern pattern = Pattern.compile(regex, Pattern.CASE_INSENSITIVE | Pattern.UNICODE_CASE| Pattern.CANON_EQ); 

के लिए धन्यवाद जा रहा है मदद! :)

Answer 1

(?:\P{L}|\W|^)((?:ベス|ベス|ヘズ)(?:パ)|パ)|ハ)゚)(?:\b|$) 
(   )((   )( ) ) ) )( ) 

पैटर्न अपने त्रुटि संदेश में नियमित अभिव्यक्ति में दो अतिरिक्त ')'

Answer 2

यूनिकोड वर्ण है एक tricky business है।

यहाँ Pattern के प्रलेखन से एक पैरा है:, यूनिकोड नियमित अभिव्यक्ति के दिशा निर्देशों के साथ हालांकि समर्थन के अपने दूसरे स्तर को लागू करने:

यूनिकोड समर्थन

इस वर्ग इस प्रकार यूनिकोड तकनीकी रिपोर्ट # 18 थोड़ा अलग कंक्रीट वाक्यविन्यास।

जावा स्रोत कोड में \u2014 जैसे यूनिकोड एस्केप अनुक्रम जावा भाषा विशिष्टता के 3.3 में वर्णित अनुसार संसाधित किए गए हैं। इस तरह के बचने के अनुक्रमों को नियमित रूप से नियमित अभिव्यक्ति पार्सर द्वारा भी लागू किया जाता है ताकि यूनिकोड से बचने वाले अभिव्यक्तियों में उपयोग किया जा सके जो फ़ाइलों या कीबोर्ड से पढ़े जाते हैं। इस प्रकार तार "\u2014" और "\\u2014", बराबर नहीं, उसी पैटर्न में संकलित, जो हेक्साडेसिमल मान 0x2014 के साथ वर्ण से मेल खाता है।

इस प्रकार, के बाद से हम जानते हैं:

• ベ = \u3049
• ス = \u30B9
• パ = \u30D1

उचित तरीके पैटर्न आप के बाद कर रहे हैं लिखने के लिए है:

String regex = "(?:\\P{L}|\\W|^)(\\u30d9\\u30B9\\u30D1)(?:\\b|$)"; 

अतिरिक्त पठन:

• Unicode Technical Report #18: Unicode Regular Expression Guidelines
• Unicode Regular Expressions

Answer 3

जो दिखाया स्ट्रिंग regex की तरह कुछ भी नहीं लग रहा है यह देखते हुए त्रुटि संदेश, से, मुझे लगता है कि यह निष्कर्ष निकाल मूल पैटर्न अनिवार्य रूप से निम्नानुसार था, जिसे मैंने सुधार करने की स्वतंत्रता ली है, प्रतीकात्मक स्थिरांक जोड़ना है, और इसके साथ प्रस्तावना रेखा संख्याएं जिन्हें हम अधिक आसानी से निरीक्षण और संबोधित कर सकते हैं।

(सभी गैर तुच्छ पैटर्न हमेशा(?x) मोड में लिखा जाना चाहिए -। भले ही जावा यहाँ आप के खिलाफ लड़ता है, तो आप अभी भी यह करना चाहिए)

1  (?: \P{L} | \W | ^) 
    2  (
    3   (?: \N{KATAKANA LETTER BE} \N{KATAKANA LETTER SU} 
    4   | \N{KATAKANA LETTER BE} \N{KATAKANA LETTER SU} 
    5   | \N{KATAKANA LETTER HE} \N{KATAKANA LETTER ZU} 
    6  ) 
    7   (?: \N{KATAKANA LETTER PA}) 
    8  | 
    9    \N{KATAKANA LETTER PA} 
10 ) 
11 | 
12    \N{KATAKANA LETTER HA} 
13 ) 
14  \N{COMBINING KATAKANA-HIRAGANA SEMI-VOICED SOUND MARK} 
15 ) 
16  (?: \b | $) 

पहली और आखिरी लाइनों गलत कर रहे हैं, लेकिन वे अर्थात् जावा के टूटे हुए रेगेक्स से संबंधित तरीके से गलत हैं। वे वाक्य रचनात्मक रूप से गलत नहीं हैं। वे कोई खुला कोष्ठक इसी है

के रूप में अब स्पष्ट होना चाहिए, वाक्यात्मक मुद्दा यह है कि लाइनों 13 और 15 पर खुले कोष्ठक नकली हो रहा है।

के होते हुए भी, मैं अभी भी समझने के लिए यह क्या आप वास्तव में यहाँ करने के लिए कोशिश कर रहे हैं कोशिश कर रहा हूँ पहली और आखिरी लाइनों। लाइन 3 और 4 की नकल क्यों? यह कुछ भी उपयोगी नहीं करता है। और मैं लाइन 7.

पर समूह के लिए कोई कारण नहीं आशय के संयोजन निशान पूर्ववर्ती बातों में से किसी को लागू करने के लिए अनुमति देने के लिए है देख सकते हैं?

पहली और आखिरी लाइनों में त्रुटियों के लिए के रूप में, मुझे समझ नहीं है कि एक साधारण शब्द सीमा सब है कि आप के लिए देख रहे हैं? क्या आप वास्तव में उन सीमाओं को अपने मैच के हिस्से के रूप में शामिल करना चाहते हैं, या आप बस सीमाएं स्थापित करने की कोशिश कर रहे हैं? आप एक गैर-पत्र या गैर-शब्द क्यों कह रहे हैं?

वर्ड पात्रों पत्र शामिल करते हैं, आप जानते हैं - कम से कम, यूनिकोड के अनुसार वे करते हैं, भले ही जावा करता है यह गलत विशेषताएं। हां, आपने जावा रेगेक्स बग की वजह से अक्षरों का एक गुच्छा शामिल किया है, इसलिए मुझे यह समझने के बाद हमें यह याद रखना होगा कि आप वास्तव में क्या चाहते हैं।

यदि आपने केवल कुछ ऐसा किया जो वास्तव में यूटीएस # 18 के अनुरूप था, तो यह ठीक काम करेगा, लेकिन जैसा कि मुझे लगता है कि आपने नहीं किया है (मैंने आईसीयू का कोई उल्लेख नहीं सुना है), हमें इसे लाइनों के साथ ठीक करना होगा मेरे पास previously outlined है।

या तो एक गैर शब्द या स्ट्रिंग की शुरुआत के लिए एक नजर डालें, पहले के लिए काम करेगा, और एक गैर शब्द या स्ट्रिंग के अंत के लिए एक लुकहेड आखिरी के लिए काम करेगा। यही कारण है कि \b पाठ्यक्रम चाहिए जब शब्द पात्रों का सामना करना पड़ तुम यहाँ है के रूप में करने के लिए की है, और यह भी प्रदान की जाती है कि आप अपने गैर शब्द कण के स्पष्ट रहना कि जिस तरह से बाहर काम कर सकते हैं।

लेकिन जब तक मैं मूल उद्देश्य के अधिक देख सकते हैं, मुझे नहीं लगता कि मैं और अधिक कहना चाहिए है।

Answer 4

UNICODE_CHARACTER_CLASS मोड भी एम्बेडेड झंडा अभिव्यक्ति (? यू) के माध्यम से सक्रिय किया जा सकता

कोशिश:

(?U)(?:\P{L}|\W|^)((?:ベス|ベス|ヘズ)(?:パ)|パ)|ハ)゚)(?:\b|$) 

लेकिन पहले अपने कोष्ठक ठीक है कि मैं क्या आप में या बाहर चाहते हैं पता नहीं है के रूप में मध्य समूह में