Regex：什么是 InCombiningDiacriticalMarks？

\p{InCombiningDiacriticalMarks}是一个 Unicode 块属性。在JDK7中，您将能够使用 两部分符号编写它 ，这对读者来说可能更清晰。它记录在UAX#44中：“Unicode字符数据库”。\p{Block=CombiningDiacriticalMarks}

这意味着代码点落在一个特定的范围内，一个块，该块已被分配用于该名称的事物。这是一种不好的方法，因为无法保证该范围内的代码点是或不是任何特定的东西，也不能保证该块之外的代码点本质上不具有相同的字符。

例如，块中有拉丁字母，如é，U + 00E9。但是，那里也有一些不是拉丁字母的东西。当然，到处都有拉丁字母。\p{Latin_1_Supplement}

块几乎从来都不是你想要的。

在这种情况下，我怀疑您可能希望使用 该属性 ，又名 。Combining_Diacriticals块中的所有代码点都是这种类型的。还有（截至 Unicode 6.0.0）1087 个Nonspacing_Marks不在该块中。\p{Mn}\p{Nonspacing_Mark}

这几乎与检查 相同，但并不完全相同，因为该组还包括封闭标记 。如果您同时需要两者，则可以说是否使用默认的Java正则表达式引擎，因为它仅允许访问General_Category属性。\p{Bidi_Class=Nonspacing_Mark}\p{Me}[\p{Mn}\p{Me}]

你必须使用JNI来访问ICU C++正则表达式库，就像Google所做的那样，以便访问类似的东西，因为现在只有ICU和Perl可以访问所有Unicode属性。普通的 Java 正则表达式库仅支持几个标准的 Unicode 属性。在 JDK7 中，虽然会支持 Unicode 脚本属性，但它比 Block 属性更可取。因此，你可以在JDK7中写或，或者简称，从拉丁字母中获取任何字符。这导致了非常普遍的需求。\p{BC=NSM}\p{Script=Latin}\p{SC=Latin}\p{Latin}[\p{Latin}\p{Common}\p{Inherited}]

请注意，这不会从所有字符中删除您可能认为的“重音”标记！有很多它不会这样做。例如，不能以这种方式将 Đ 转换为 D 或将 ø 转换为 o。为此，您需要将代码点减少到与 Unicode 排序规则表中相同的主排序规则强度匹配的代码点。

另一个失败的地方当然是封闭标记，显然，但也有一些字符不是标记。可悲的是，您需要完整的财产支持，这意味着JNI可以用于ICU或Perl。恐怕Java在Unicode支持方面存在很多问题。\p{Mn}\p{Me}\p{Diacritic}

哦，等等，我看到你是葡萄牙人。如果您只处理葡萄牙语文本，那么您应该完全没有问题。

但是，我敢打赌，您并不是真的想删除重音，而是希望能够“不区分口音”地匹配事物，对吗？如果是这样，则可以使用 ICU4J（Java 的 ICU）归类执行此操作。如果您在主要强度上进行比较，则重音符号将不计算在内。我一直这样做是因为我经常处理西班牙语文本。我有一个例子，如果你需要的话，如何为西班牙人坐在这里的某个地方做这件事。

花了我一段时间，但我把它们都钓出来了：

这里的正则表达式应该包括所有的zalgo字符，包括在“正常”范围内绕过的字符。

([\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])

希望这能为您节省一些时间。