带有 Unicode 的正则表达式模式不进行大小写折叠

Question

在 C# 中，Grüsse 和 Grüße 在大多数情况下被认为是相等的，正如 this 不错的网页所解释的那样。我试图在 Java 中找到类似的行为 - 显然不在 java.lang.String.

中

我认为 java.regex.Pattern 与 Pattern.UNICODE_CASE 的组合很幸运。 Java文档说：

UNICODE_CASE enables Unicode-aware case folding. When this flag is specified then case-insensitive matching, when enabled by the CASE_INSENSITIVE flag, is done in a manner consistent with the Unicode Standard.

还有以下代码：

Pattern p = Pattern.compile(Pattern.quote("Grüsse"), 
                     Pattern.UNICODE_CASE | Pattern.CASE_INSENSITIVE);
System.out.println(p.matcher("Grüße").matches());

产量 false。为什么？是否有重现 C# 大小写折叠行为的替代方法？

---- 编辑----

正如@VGR 指出的那样，String.toUpperCase 会将 ß 转换为 ss，这可能是也可能不是大小写折叠（也许我在这里混淆了概念）。然而，德语语言环境中的其他字符不是 "folded"，例如 ü 不会变成 UE。所以为了让我的初始示例更完整，有没有办法让 Grüße 和 Gruesse 在 Java 中比较相等？

我在想 java.text.Normalizer class 可以用来做到这一点，但它将 ü 转换为 u? 而不是 ue。它也没有提供 Locale 的选项，这让我更加困惑。

Answer 1

使用 ICU4J 正则表达式，而不是 JDK： http://userguide.icu-project.org/strings/regexp#TOC-Case-Insensitive-Matching

Answer 2

供参考，以下事实：

Character.toUpperCase()不能进行大小写折叠，作为一个字符必须映射到一个字符。
String.toUpperCase() 将进行大小写折叠。
String.equalsIgnoreCase() 使用 Character.toUpperCase() 在内部，所以不进行大小写折叠。

结论（正如@VGR 指出的）：如果你需要不区分大小写的大小写匹配，你需要做：

foo.toUpperCase().equals(bar.toUpperCase())

而不是：

foo.equalsIgnoreCase(bar)

至于 ü 和 ue 相等，我已经设法用 RuleBasedCollator 和我自己的规则来做到这一点（人们会期望 Locale.German 有那个built-in 但唉）。它看起来真的 silly/over-engineered，因为我只需要相等性，而不是 sorting/collating，最后我在比较之前选择了一组简单的 String.replace。它很糟糕，但它有效并且是 transparent/readable.

Answer 3

当前接受的答案：

foo.toUpperCase().equals(bar.toUpperCase())

以下输入不比较相等，即使它们应该相等：Grüsse和GRÜẞE；或 Grüße 和 GRÜẞE.

这是为什么？让我们看看大写的字符串：

"Grüsse".toUpperCase(Locale.ROOT)  -> "GRÜSSE"
"Grüße".toUpperCase(Locale.ROOT)   -> "GRÜSSE"
"GRÜẞE".toUpperCase(Locale.ROOT)   -> "GRÜẞE"

如您所见，大写的“升号 S”(ẞ) 保持不变。要正确处理该问题，请执行以下操作：

foo.toLowerCase(Locale.ROOT).toUpperCase(Locale.ROOT).equals(
    bar.toLowerCase(Locale.ROOT).toUpperCase(Locale.ROOT))

请注意顺序很重要。如果先大写再小写，它只会将 ẞ 变成 ß（小写升号 S）。

带有 Unicode 的正则表达式模式不进行大小写折叠

Regex Pattern with Unicode doesn't do case folding

java

regex

internationalization

case-folding