Unicode字符正则表达式,捕获组

Question

我有一个正则表达式\ p {L}\p {M}*我用来将单词分成字符,特别需要用印地语或泰语单词,其中字符可以包含多个"字符",例如मछली如果在Java中以常规方式分割我得到[म] [छ] [ल] [ी]我想要的地方[म] [छ] [ली]

我一直在努力改进这个正则表达式以包含空格字符,以便当我拆分फार्मपशु时,我会得到跟随组[फा] [र्] [म] [] [प] [शु]

但我没有运气.有人能帮助我吗？

此外,如果有人有另一种方法可以做到这一点,java也可以作为替代解决方案.我目前的java代码是

Pattern pat = Pattern.compile("\\p{L}\\p{M}*");
    Matcher matcher = pat.matcher(word);
    while (matcher.find()) {
        characters.add(matcher.group());
    }

Answer 1

考虑使用BreakIterator:

String text = "????";
Locale hindi = new Locale("hi", "IN");
BreakIterator breaker = BreakIterator.getCharacterInstance(hindi);
breaker.setText(text);
int start = breaker.first();
for (int end = breaker.next();
  end != BreakIterator.DONE;
  start = end, end = breaker.next()) {
  System.out.println(text.substring(start,end));
}

我使用Oracle Java 8实现测试了示例字符串.如果需要,还要考虑ICU4J版本的BreakIterator.