String.split() 方法删除德语变音符号

Question

当我拆分一串单词时，变音符号被删除了。

public static void main(String[] args) {
    String s = "überbrücken";
    String[] ss = s.split("\W");
    System.out.println(ss[0] + ss[1] + ss[2]);
}

returns“berbrcken”而不是“überbrücken”

Answer 1

拆分为 \P{IsAlphabetic}（大写 P）

    String s = "überbrücken röntgenstraheln ängstlich";
    String[] textArr = s.split("\P{IsAlphabetic}");
    System.out.println(Arrays.toString(textArr));

输出：

[überbrücken, röntgenstraheln, ängstlich]

像 \W 这样的基本正则表达式类只能识别 ASCII 字符，因此只有 A 到 Z 和 a 到 z 算作字母，这解释了您观察到的结果。不过，通过某些 \P{…} 结构，也支持 Unicode 字符。有关更多信息，请参阅 Andreas 知识渊博的回答和 the documentation。

免责声明：我想让我的代码保持简单，并猜测这可能是您真正想要的。我没有尝试模仿您自己的代码仅针对元音元音进行了调整。如果我的代码不是您想要的，我相信您可以从这里调整我的代码。

Answer 2

文档，即 Pattern 的 javadoc，明确指出：

\W - A non-word character: [^\w]

\w - A word character: [a-zA-Z_0-9]

这意味着不包括重音字符。

有两种方法可以解决这个问题：

指定标志 UNICODE_CHARACTER_CLASS.

这可以通过将该标志作为第二个参数添加到 Pattern.compile() 或通过在正则表达式本身中指定标志来完成：
```
split("(?U)\W")
```
使用 Unicode 类别：
```
split("[^\p{L}_\p{N}]")
```

Answer 3

作为替代解决方案，您可以向 非单词 字符添加一些定界符，并围绕这些 定界符 拆分字符串，保留 非单词 个字符：

String str = "überbrücken";

String[] arr = str
        // add some delimiters to a non-empty
        // sequences of non-word characters
        .replaceAll("\W+", "[=10=]\u2980")
        // split the string into an array
        // around these delimiters
        .split("\u2980");

// output
System.out.println(Arrays.toString(arr));
// [ü, berbrü, cken]

^{另请参阅：

•

• How do I sort lexicographically with sorted(comparator) method?}

String.split() 方法删除德语变音符号

German umlauts are deleted by String.split() method

java

string

split

diacritics