检测 Java 中的任何组合字符

Question

我正在寻找一种方法来检测 java 字符串中的字符是否 "is a combining character"。例如，

String khmerCombiningVowel = 
 new String(new byte[]{(byte) 0xe1,(byte) 0x9f,(byte) 0x80}, "UTF-8"); // unicode 17c0

表示 combining Khmer vowel sign. I have tried "\p{InCombiningDiacriticalMarks}" regex 但它似乎不适用于这些特定的组合字符。或者即使有所有 unicode 组合字符块的综合列表，我也可以为它们制作一个正则表达式？

Answer 1

根据Algorithm to check for combining characters in Unicode，有很多组合字符的块。

Java 有很多有用的功能，试试：

String codePointStr = new String(new byte[]{(byte) 0xe1, (byte) 0x9f, (byte) 0x80}, "UTF-8"); // unicode 17c0
System.out.println(codePointStr.matches("\p{Mc}"));
System.out.println(
    Character.COMBINING_SPACING_MARK == Character.getType(codePointStr.codePointAt(0)));

（在两种情况下都打印为真）

在这种情况下，COMBINING_SPACING_MARK (and related regex \p{gc=Mc}) both refer to the Unicode category "Mark, Spacing Combining" 基本上是与前一个字符组合同时还增加了宽度的任何字符。

其他可能有用的正则表达式：\p{M} for any kind of mark。如果您想使用字符 getType() 常量，您可以通过检查其类型是 COMBINING_SPACING_MARK 或 ENCLOSING_MARK 还是 NON_SPACING_MARK.[=21 来获得相同的行为=]

ENCLOSING_MARK 是一个环绕的字符，就像一个圆圈——也增加了与它结合的字符的宽度。

NON_SPACING_MARK包括拉丁字母变音组合标记等（基本上在上面或下面的标记，不增加字符的宽度）。

检测 Java 中的任何组合字符

detect any combining character in Java

java

regex

unicode

combining-marks