Der folgende Code ist sehr bekannt dafür, Zeichen mit Akzent in einfachen Text umzuwandeln:
Normalizer.normalize(text, Normalizer.Form.NFD).replaceAll("\\p{InCombiningDiacriticalMarks}+", "");Ich habe meine "handgemachte" Methode durch diese ersetzt, aber ich muss den "Regex" -Teil von replaceAll verstehen
1) Was ist "InCombiningDiacriticalMarks"?
2) Wo ist die Dokumentation davon? (und ähnliche?)
Vielen Dank.
Antworten:
\p{InCombiningDiacriticalMarks}ist eine Unicode-Blockeigenschaft. In JDK7 können Sie es mit der zweiteiligen Notation schreiben \p{Block=CombiningDiacriticalMarks}, die für den Leser möglicherweise klarer ist. Es ist hier in UAX # 44 dokumentiert : "The Unicode Character Database" .
Dies bedeutet, dass der Codepunkt in einen bestimmten Bereich fällt, einen Block, der für die Dinge mit diesem Namen verwendet wurde. Dies ist ein schlechter Ansatz, da nicht garantiert werden kann, dass der Codepunkt in diesem Bereich eine bestimmte Sache ist oder nicht, und dass Codepunkte außerhalb dieses Blocks nicht im Wesentlichen dasselbe Zeichen haben.
Zum Beispiel enthält der \p{Latin_1_Supplement}Block lateinische Buchstaben wie é, U + 00E9. Es gibt jedoch auch Dinge, die dort keine lateinischen Buchstaben sind. Und natürlich gibt es überall auch lateinische Buchstaben.
Blöcke sind fast nie das, was Sie wollen.
In diesem Fall vermute ich, dass Sie die Eigenschaft verwenden möchten \p{Mn}, auch bekannt als \p{Nonspacing_Mark}. Alle Codepunkte im Block Combining_Diacriticals sind von dieser Art. Es gibt auch (ab Unicode 6.0.0) 1087 Nonspacing_Marks, die sich nicht in diesem Block befinden.
Das ist fast das Gleiche wie das Überprüfen \p{Bidi_Class=Nonspacing_Mark}, aber nicht ganz, da diese Gruppe auch die umschließenden Markierungen enthält \p{Me}. Wenn Sie beides möchten, können Sie sagen, [\p{Mn}\p{Me}]ob Sie eine Standard-Java-Regex-Engine verwenden, da diese nur Zugriff auf die Eigenschaft General_Category bietet.
Sie müssten JNI verwenden, um auf die ICU C ++ - Regex-Bibliothek zuzugreifen, wie es Google tut, um auf so etwas zuzugreifen \p{BC=NSM}, da derzeit nur ICU und Perl Zugriff auf alle Unicode-Eigenschaften gewähren . Die normale Java-Regex-Bibliothek unterstützt nur einige Standardeigenschaften von Unicode. In JDK7 wird jedoch die Unicode-Skript-Eigenschaft unterstützt, die der Block-Eigenschaft nahezu unendlich vorzuziehen ist. So können Sie in JDK7 schreiben \p{Script=Latin}oder \p{SC=Latin}oder die Abkürzung \p{Latin}, um auf ein beliebiges Zeichen aus der lateinischen Schrift zuzugreifen . Dies führt zu den sehr häufig benötigten [\p{Latin}\p{Common}\p{Inherited}].
Beachten Sie, dass dadurch nicht alle Zeichen entfernt werden, die Sie als „Akzent“ -Marken betrachten könnten! Es gibt viele, für die dies nicht möglich ist. Zum Beispiel können Sie nicht umwandeln Đ bis D oder ø bis o auf diese Weise. Dazu müssen Sie die Codepunkte auf diejenigen reduzieren, die der gleichen primären Kollatierungsstärke in der Unicode-Kollatierungstabelle entsprechen.
Ein anderer Ort, an dem das \p{Mn}Ding versagt, ist natürlich das Einschließen von Markierungen wie \p{Me}natürlich, aber es gibt auch \p{Diacritic}Zeichen, die keine Markierungen sind. Leider benötigen Sie dafür volle Immobilienunterstützung, was bedeutet, dass JNI entweder auf der Intensivstation oder in Perl verfügbar ist. Ich fürchte, Java hat viele Probleme mit der Unicode-Unterstützung.
Oh warte, ich sehe, du bist Portugiese. Sie sollten dann überhaupt keine Probleme haben, wenn Sie sich nur mit portugiesischem Text beschäftigen.
Ich wette, Sie möchten Akzente nicht wirklich entfernen, sondern in der Lage sein, Dinge „akzentunempfindlich“ abzugleichen, oder? Wenn ja, können Sie dies mit der Collator-Klasse ICU4J (ICU für Java) tun . Wenn Sie mit der Primärstärke vergleichen, zählen Akzentzeichen nicht. Ich mache das die ganze Zeit, weil ich oft spanischen Text verarbeite. Ich habe ein Beispiel dafür, wie man das für Spanisch macht, wenn man hier irgendwo herumsitzt, wenn man es braucht.
Es hat eine Weile gedauert, aber ich habe sie alle gefischt:
Hier ist der reguläre Ausdruck, der alle Zalgo-Zeichen enthalten sollte, einschließlich derjenigen, die im "normalen" Bereich umgangen wurden.
([\u0300–\u036F\u1AB0–\u1AFF\u1DC0–\u1DFF\u20D0–\u20FF\uFE20–\uFE2F\u0483-\u0486\u05C7\u0610-\u061A\u0656-\u065F\u0670\u06D6-\u06ED\u0711\u0730-\u073F\u0743-\u074A\u0F18-\u0F19\u0F35\u0F37\u0F72-\u0F73\u0F7A-\u0F81\u0F84\u0e00-\u0eff\uFC5E-\uFC62])Hoffe das spart dir etwas Zeit.