java - 匹配所有内容包括unicode标点符号的正则表达式

Question

我正在尝试匹配一些可能包含 Unicode 字符的文本，其中包括特殊标点符号，例如 (Java 中的 \u0085)。

当我做类似的事情时

Matcher testMatcher = Pattern.compile("(.+)", Pattern.UNICODE_CHARACTER_CLASS).matcher("test text up \u0085 after");

我得到了“test text up”的匹配项，没有标点符号，但我想匹配所有内容。我该怎么做？

另见 demonstration in the regex101 tool .

更新:我试过 ((?:\P{M}\p{M}*+)+) as discussed at regular-expressions.info , 但它似乎不适用于 Java。

Answer 1

符号属于Cc - Other, control 类别。

您需要添加Pattern.DOTALL修饰符来匹配它。或者在模式开始处附加 (?s)。

General category:                Cc - Other, control
Canonical combining class: 0 - Spacing, split, enclosing, reordrant, & Tibetan subjoined
Bidirectional category:          B - Paragraph separator
Unicode 1.0 name:               NEXT LINE (NEL)
Unicode version:                  1.1
As text:
Decimal: 133
HTML escape:                       …
URL escape:                         %C2%85

参见 details here

这是一个 IDEONE demo

Matcher testMatcher = Pattern.compile(".+", Pattern.DOTALL | Pattern.UNICODE_CHARACTER_CLASS).matcher("test text up \u0085 after");
if (testMatcher.find()){
    System.out.println(testMatcher.group(0)); 
} // => test text up  after