设为首页 - 加入收藏 - 网站地图 欢迎加QQ群 :14364084
当前位置:谭博的博客 > 编程语言 > 正则 > 正文

正则表达式之Unicode处理(二)

时间:2013-03-03 17:44 来源: 标签: 作者:浮云飘飘 阅读:

 

Unicode Code Point

 

Unicode字符多种多样,除去ascii中的字母、数字、标点和中文字符,还包括其它多种语言和多种符号,有些符号甚至很难打出来(比如表示商标注册的?),这时候该如何表示呢?再说远一点,如果我们想用一个字符组匹配所有中文字符,能不能像『[a-z]』那样呢? 所幸,每一个Unicode字符都对应自己的Unicode编码,也就是Unicode编码表中的一个代码点(Code Point),所以在正则表达式中的Unicode字符往往采用Unicode代码点来指定。 一般来说,指定代码点的形式有3种:『uxxxx』、『u{xxxx}』、『x{xxxx}』(其中的xxxx为编码的值,u之后必须有4位16进制数字)。.NET、Java、JavaScript和Python使用第一种方式,而PHP和Ruby使用第二种方式(Ruby 1.9以上版本才支持这种表示法),PHP使用第三种方式。 比如“发表”的“发”字对应的Unicode编码是53 d1,它在不同语言中的表示法如下:所以我们可以在.NET、Java、JavaScript的正则表达式中这样表示“发”字:“u53d1”,Python稍有不同,必须使用u”u53d1”(之前的u表示这是一个Unicode字符串); Ruby中,“发”则必须写作”u{53d1}”。 现在以“发”字为例,介绍不同语言中的Unicode表示法:

 

 

 

编码

 

语言

 

表示法

 

备注

 

53 d1

 

.NET

 

u53d1

 

 

 

Java

 

u53d1

 

 

 

JavaScript

 

u53d1

 

 

 

Python

 

u53d1

 

必须使用Unicode字符串,Python 2.x中,要在字符串之前加u

 

Ruby

 

u{53d1}

 

限Ruby 1.9以上版本,且必须显式指定Unicode模式

 

PHP

 

x{53d1}

 

必须指定Unicode模式

 

既然可以这样指定Unicode字符,自然也可以在字符组中用范围表示法指定一个Unicode编码范围了。比如,我们查询Unicode编码表可知,中文的编码一般在4e00到9fff之间,所以可以用这样的字符组匹配中文字符(Unicode编码4e00-9fff归类为“CJK 统一表意符号”CJK Unified Ideographs[1],涵盖了绝大多数中文字符):

 

 

 

 

语言

 

字符组

 

备注

 

.NET

 

[u4e00-u9fff]

 

 

 

Java

 

[u4e00-u9fff]

 

 

 

JavaScript

 

[u4e00-u9fff]

 

 

 

Python

 

[u4e00-u9fff]

 

必须使用Unicode字符串,Python 2.x中,要在字符串之前加u

 

Ruby

 

[x{4e00}-x{9fff}]

 

限Ruby 1.9以上版本,且必须显式指定Unicode模式

 

PHP

 

[u{4e00}-u{9fff}]

 

必须指定Unicode模式

 

根据Unicode规范,每一个Unicode字符除了有唯一代码点对应,还具有其它属性,现在详细介绍三种属性,它们是:Unicode Property、Unicode Block、Unicode Script,下面的图粗略说明了这三者的关系。

 

 

 

Unicode Property

 

Unicode Property的记法类似『p{L}』、『p{Lo}』,它按照字符的功能分类Unicode字符,而不关心字符属于哪种语言,每个Unicode字符只能属于唯一Unicode Property。 举例来说,『p{Z}』表示任意的空白字符或不可见的分隔符;『p{P}』表示任何标点字符,等等。遇到中英文混排、全角半角同时出现的情况,我们就可以用『p{Z}』匹配所有的空白字符(而不用关心空格到底是全角空格还是半角空格),用『p{P}』匹配所有的标点字符(而不用关心逗号到底是中文逗号还是英文逗号),而不用费心细节。 如果我们把Unicode Property理解为一个“字符组”,那么它一定能对应某个排除型字符组,此排除型字符组的通行记法是将『p{xx}』中的小写p改为大写P,写作『P{xx}』。这样,『P{Z}』对应『p{Z}』无法匹配的字符,『p{P}』对应『p{P}』无法匹配的字符。Unicode Block和Unicode Script对应的排除型字符组也是这样标记,下面不再赘述。 支持Unicode Property的语言有.NET、Java、PHP和Ruby(限1.9以上版本),在PHP和Ruby中使用Unicode Property时,必须要开启Unicode模式,下面以『p{P}』的匹配为例: .NET

 


 

Regex.IsMatch(‘,’, “\p{P}”); //true

 

Java

 


 

“,”.matches(“\p{P}”); //true

 

PHP

 


 

preg_match(‘/p{P}/u’, ‘,’); //1

 

Ruby 1.9

 


 

‘/p{P}/u’ =~ ‘,’ # 0

 

Unicode Property的完整信息,可参考http://www.regular-expressions.info/unicode.html

 

 

 

Unicode Block

 

Unicode Block则不同于Unicode Property,它按照编码区间划分Unicode字符,每个Unicode Block中的字符编码都是落在同一个连续区间的。因为Unicode编码表中,某种语言的字符通常是落在同一区间的,所以它也可以粗略表示某类语言的字符,比如p{InHebrew}表示希伯莱语字符,『p{InCJK_Compatibility}』表示兼容CJK(汉语、韩语、日本语)的字符。如果你细心观察,会发现Unicod Block的名字虽然类似某种语言的名字,但都有“In”(Java风格)或者“Is”(.NET风格)前缀,这表明它其实对应的还是“落在某个区间的Unicode字符”。 本书介绍的语言中,只有Java和.NET支持Unicode Block,它们的写法不相同: Java:『p{ InCJK_Compatibility_Ideographs }』 .NET:『p{ IsCJK_Compatibility_Ideographs }』 我们可以在Java中用p{InCJK_Compatibility}或者在.NET中用p{IsCJK_Compatibility}粗略匹配中文字符,虽然它们可能匹配日文或者韩文字符,尚不够精确,但许多情况下确实够用了。 Java

 


 

“我”.matches(“\p{InCJK_Compatibility_Ideographs}”); //true

 

.NET

 


 

Regex.IsMatch(‘我’, “\p{IsCJK_Compatibility_Ideographs}”); //true

 

Unicode Block的完整信息,可参考http://www.regular-expressions.info/unicode.html

 

 

 

Unicode Script

 

Unicode Script按照字符所属的书写系统来划分Unicode字符,比如p{Greek}表示希腊语字符,p{Han}表示汉语(中文字符)。它的写法类似Unicode Block,只是名字的开头没有“Is”或者“In”。 在本书介绍的语言中,只有PHP和Ruby(限1.9以上版本)支持Unicode Script,PHP在使用Unicode Script时,必须开启Unicode模式(详见xx页)。在这两种语言中,我们可以很方便地用p{Han}来匹配中文字符。 PHP

 


 

preg_match(‘/p{Han}/u’, ‘我’); //1

 

Ruby 1.9

 


 

/p{Han}/u =~ '我' #0

 

Unicode Script的完整信息,请参考http://www.regular-expressions.info/unicode.html

 

 

 

小结

 

用正则表达式处理包含多字节字符(比如中文)的字符串时,最好使用Unicode编码,否则多字节字符很可能被割裂为多个字节,导致匹配错误,最好的办法是使用Unicode编码。 如果实在不能使用Unicode编码,使用字符组时要尤其小心,普通字符组可以用多选分支取代,绕过隐患,但这种办法对排除型字符组行不通。 如果设定了Unicode模式,可以指定Unicode Code Point来表示某个字符,但不同语言中的记法不同,可能是uxxxx、u{xxxx}、x{xxxx}。 Unicode Property描述Unicode字符的属性,.NET、Java、PHP和Ruby(限1.9以上版本)中可以使用Unicode Property。 Unicode Block描述Unicode字符所在的区间,其特征是名称以In或Is为前缀,.NET和Java中可以使用Unicode Block。 Unicode Script描述Unicode字符所在的书写系统,名字类似Unicode Block,但没有In或Is前缀,PHP和Ruby(限1.9以上版本)中可以使用Unicode Script。 无论Unicode Property、Unicode Block、Unicode Script,其对应的排除型字符组都是将开头的p改为P,其它不变。 无论Unicode Property、Unicode Block、Unicode Script,都可以视为普通字符组,在字符组[…]中进行拼接组合,比如在PHP和Ruby中,[p{Han}p{Po}]既可以匹配汉字字符,又可以匹配任何标点字符。 相关:正则表达式之Unicode处理(一)

 

关注微信公众号

微信扫一扫,打赏我

上一篇:正则表达式之Unicode处理(一)
下一篇:没有了
热评文章
    内容不错,支持一下
    评论列表(网友评论仅供网友表达个人看法,并不表明本站同意其观点或证实其描述)