前端时间在学习别人敏感词过滤的时候, 发现了一段很有意思的代码,网上搜了下,有介绍, 但不多,在次整理下, 增加下网友搜索命中度, 也方便自己后面查找。
代码是关于标点符号的正则匹配:
private static boolean isPunctuationChar(String c) {
String regex = "[\pP\pZ\pS\pM\pC]";
Pattern p = Pattern.compile(regex, 2);
Matcher m = p.matcher(c);
return m.find();
}
注意上面的regex 很神奇是吧!当时我也看的咋呼了(英语不太好- -!)!
下面大致讲下这是个咋回事!这就要说到Unicode
Unicode 编码并不只是为某个字符简单定义了一个编码,而且还将其进行了归类。
/pP 其中的小写 p 是 property 的意思,表示 Unicode 属性,用于 Unicode 正表达式的前缀。
大写 P 表示 Unicode 字符集七个字符属性之一:标点字符。
其他六个是
L:字母;
M:标记符号(一般不会单独出现);
Z:分隔符(比如空格、换行等);
S:符号(比如数学符号、货币符号等);
N:数字(比如阿拉伯数字、罗马数字等);
C:其他字符
上面这七个是属性,七个属性下还有若干个子属性,用于更进一步地进行细分。
| 属性归类 | 子属性 | 含义 |
| L | Lu | Uppercase Letter |
| Ll | Lowercase Letter | |
| Lt | Titlecase Letter | |
| Lm | Modifier Letter | |
| Lo | Other Letter | |
| M | Mn | Non-Spacing Mark |
| Mc | Spacing Combining Mark | |
| Me | Enclosing Mark | |
| N | Nd | Decimal Digit Number |
| Nl | Letter Number | |
| No | Other Number | |
| S | Sm | Math Symbol |
| Sc | Currency Symbol | |
| Sk | Modifier Symbol | |
| So | Other Symbol | |
| P | Pc | Connector Punctuation |
| Pd | Dash Punctuation | |
| Ps | Open Punctuation | |
| Pe | Close Punctuation | |
| Pi | Initial Punctuation | |
| Pf | Final Punctuation | |
| Po | Other Punctuation | |
| Z | Zs | Space Separator |
| Zl | Line Separator | |
| Zp | Paragraph Separator | |
| C | Cc | Control |
| Cf | Format | |
| Cs | Surrogate | |
| Co | Private Use | |
| Cn | Unassigned |
Java 中用于 Unicode 的正则表达式数据都是由 Unicode 组织提供的。上面的含义就不转中文了(头疼), 官方文档找来的, 一般也用不到!



