正则表达式（三）：Unicode诸问题（下）

上一篇文章我们介绍了和Unicode有关的匹配问题，这篇文章我们主要讲述一下Unicode编码本身的特性，以便更好地运用正则表达式解决与Unicode相关的问题。

\

Unicode Code Point

\

Unicode字符多种多样，除去ascii中的字母、数字、标点和中文字符，还包括其它多种语言和多种符号，有些符号甚至很难打出来（比如表示商标注册的?），这时候该如何表示呢？再说远一点，如果我们想用一个字符组匹配所有中文字符，能不能像『[a-z]』那样呢？

\

所幸，每一个Unicode字符都对应自己的Unicode编码，也就是Unicode编码表中的一个代码点（Code Point），所以在正则表达式中的Unicode字符往往采用Unicode代码点来指定。

\

一般来说，指定代码点的形式有3种：『\\uxxxx』、『\\u{xxxx}』、『\\x{xxxx}』（其中的xxxx为编码的值，\\u之后必须有4位16进制数字）。.NET、Java、JavaScript和Python使用第一种方式，而PHP和Ruby使用第二种方式（Ruby 1.9以上版本才支持这种表示法），PHP使用第三种方式。

\

比如“发表”的“发”字对应的Unicode编码是53 d1，它在不同语言中的表示法如下：所以我们可以在.NET、Java、JavaScript的正则表达式中这样表示“发”字：“\\u53d1”，Python稍有不同，必须使用u”\\u53d1”（之前的u表示这是一个Unicode字符串）； Ruby中，“发”则必须写作”\\u{53d1}”。

\

现在以“发”字为例，介绍不同语言中的Unicode表示法：\

\ 编码 \	\ 语言 \	\ 表示法 \	\ 备注 \
\ 53 d1 \	\ .NET \	\ \\u53d1 \
\ Java \	\ \\u53d1 \
\ JavaScript \	\ \\u53d1 \
\ Python \	\ \\u53d1 \	\ 必须使用Unicode字符串，Python 2.x中，要在字符串之前加u \
\ Ruby \	\ \\u{53d1} \	\ 限Ruby 1.9以上版本，且必须显式指定Unicode模式 \
\ PHP \	\ \\x{53d1} \	\ 必须指定Unicode模式 \

既然可以这样指定Unicode字符，自然也可以在字符组中用范围表示法指定一个Unicode编码范围了。比如，我们查询Unicode编码表可知，中文的编码一般在4e00到9fff之间，所以可以用这样的字符组匹配中文字符（Unicode编码4e00-9fff归类为“CJK 统一表意符号”CJK Unified Ideographs[1]，涵盖了绝大多数中文字符）：\

\ 语言 \	\ 字符组 \	\ 备注 \
\ .NET \	\ [\\u4e00-\\u9fff] \
\ Java \	\ [\\u4e00-\\u9fff] \
\ JavaScript \	\ [\\u4e00-\\u9fff] \
\ Python \	\ [\\u4e00-\\u9fff] \	\ 必须使用Unicode字符串，Python 2.x中，要在字符串之前加u \
\ Ruby \	\ [\\x{4e00}-\\x{9fff}] \	\ 限Ruby 1.9以上版本，且必须显式指定Unicode模式 \
\ PHP \	\ [\\u{4e00}-\\u{9fff}] \	\ 必须指定Unicode模式 \

根据Unicode规范，每一个Unicode字符除了有唯一代码点对应，还具有其它属性，现在详细介绍三种属性，它们是：Unicode Property、Unicode Block、Unicode Script，下面的图粗略说明了这三者的关系。

\

\

Unicode Property

\

Unicode Property的记法类似『\\p{L}』、『\\p{Lo}』，它按照字符的功能分类Unicode字符，而不关心字符属于哪种语言，每个Unicode字符只能属于唯一Unicode Property。

\

举例来说，『\\p{Z}』表示任意的空白字符或不可见的分隔符；『\\p{P}』表示任何标点字符，等等。遇到中英文混排、全角半角同时出现的情况，我们就可以用『\\p{Z}』匹配所有的空白字符（而不用关心空格到底是全角空格还是半角空格），用『\\p{P}』匹配所有的标点字符（而不用关心逗号到底是中文逗号还是英文逗号），而不用费心细节。

\

如果我们把Unicode Property理解为一个“字符组”，那么它一定能对应某个排除型字符组，此排除型字符组的通行记法是将『\\p{xx}』中的小写p改为大写P，写作『\\P{xx}』。这样，『\\P{Z}』对应『\\p{Z}』无法匹配的字符，『\\p{P}』对应『\\p{P}』无法匹配的字符。Unicode Block和Unicode Script对应的排除型字符组也是这样标记，下面不再赘述。

\

支持Unicode Property的语言有.NET、Java、PHP和Ruby（限1.9以上版本），在PHP和Ruby中使用Unicode Property时，必须要开启Unicode模式，下面以『\\p{P}』的匹配为例：

\

.NET

\

\Regex.IsMatch(‘，’, “\\\\p{P}”); //true 

\

Java

\

\“，”.matches(“\\\\p{P}”); //true 

\

PHP

\

\preg_match(‘/\\p{P}/u’, ‘，’); //1 

\

Ruby 1.9

\

\‘/\\p{P}/u’ =~ ‘，’ # 0 

\

Unicode Property的完整信息，可参考http://www.regular-expressions.info/unicode.html。

\

Unicode Block

\

Unicode Block则不同于Unicode Property，它按照编码区间划分Unicode字符，每个Unicode Block中的字符编码都是落在同一个连续区间的。因为Unicode编码表中，某种语言的字符通常是落在同一区间的，所以它也可以粗略表示某类语言的字符，比如\\p{InHebrew}表示希伯莱语字符，『\\p{InCJK_Compatibility}』表示兼容CJK（汉语、韩语、日本语）的字符。如果你细心观察，会发现Unicod Block的名字虽然类似某种语言的名字，但都有“In”（Java风格）或者“Is”（.NET风格）前缀，这表明它其实对应的还是“落在某个区间的Unicode字符”。

\

本书介绍的语言中，只有Java和.NET支持Unicode Block，它们的写法不相同：

\

Java：『\\p{ InCJK_Compatibility_Ideographs }』

\

.NET：『\\p{ IsCJK_Compatibility_Ideographs }』

\

我们可以在Java中用\\p{InCJK_Compatibility}或者在.NET中用\\p{IsCJK_Compatibility}粗略匹配中文字符，虽然它们可能匹配日文或者韩文字符，尚不够精确，但许多情况下确实够用了。

\

Java

\

\“我”.matches(“\\\\p{InCJK_Compatibility_Ideographs}”); //true 

\

.NET

\

\Regex.IsMatch(‘我’, “\\\\p{IsCJK_Compatibility_Ideographs}”); //true 

\

Unicode Block的完整信息，可参考http://www.regular-expressions.info/unicode.html。

\

Unicode Script

\

Unicode Script按照字符所属的书写系统来划分Unicode字符，比如\\p{Greek}表示希腊语字符，\\p{Han}表示汉语（中文字符）。它的写法类似Unicode Block，只是名字的开头没有“Is”或者“In”。

\

在本书介绍的语言中，只有PHP和Ruby（限1.9以上版本）支持Unicode Script，PHP在使用Unicode Script时，必须开启Unicode模式（详见xx页）。在这两种语言中，我们可以很方便地用\\p{Han}来匹配中文字符。

\

PHP

\

\preg_match(‘/\\p{Han}/u’, ‘我’); //1 

\

Ruby 1.9

\

\/\\p{Han}/u =~ '我' #0 

\

Unicode Script的完整信息，请参考http://www.regular-expressions.info/unicode.html。

\

小结

\

用正则表达式处理包含多字节字符（比如中文）的字符串时，最好使用Unicode编码，否则多字节字符很可能被割裂为多个字节，导致匹配错误，最好的办法是使用Unicode编码。

\

如果实在不能使用Unicode编码，使用字符组时要尤其小心，普通字符组可以用多选分支取代，绕过隐患，但这种办法对排除型字符组行不通。

\

如果设定了Unicode模式，可以指定Unicode Code Point来表示某个字符，但不同语言中的记法不同，可能是\\uxxxx、\\u{xxxx}、\\x{xxxx}。

\

Unicode Property描述Unicode字符的属性，.NET、Java、PHP和Ruby（限1.9以上版本）中可以使用Unicode Property。

\

Unicode Block描述Unicode字符所在的区间，其特征是名称以In或Is为前缀，.NET和Java中可以使用Unicode Block。

\

Unicode Script描述Unicode字符所在的书写系统，名字类似Unicode Block，但没有In或Is前缀，PHP和Ruby（限1.9以上版本）中可以使用Unicode Script。

\

无论Unicode Property、Unicode Block、Unicode Script，其对应的排除型字符组都是将开头的\\p改为\\P，其它不变。

\

无论Unicode Property、Unicode Block、Unicode Script，都可以视为普通字符组，在字符组[…]中进行拼接组合，比如在PHP和Ruby中，[\\p{Han}\\p{Po}]既可以匹配汉字字符，又可以匹配任何标点字符。

\

---

[1] 请参考 http://en.wikipedia.org/wiki/CJK_Unified_Ideographs