2

Здравствуйте! Подскажите, почему регулярные выражения в Java не дружат с кириллицей?

public class New {
    public static void main(String[] arg){
        String s = "5. Так как цель применения такого текста исключительно демонстрационная, то и  \n" +
                   "7. Более того, нечитабельность текста";
        Pattern p = Pattern.compile("искл\\w+");
        Matcher m = p.matcher(s);
        if(m.find())
            System.out.println(m.group());
    }
}

В данном случае мы должны найти слово

исключительно

но увы( А вот если мы изменим нашу строку s на:

"5. Так как цель применения такого текста exceptionally демонстрационная, то и  \n" +
"7. Более того, нечитабельность текста";

и заменим строку кода с регулярным выражением на:

Pattern p = Pattern.compile("excep\\w+"); 

то получим

exceptionally

без проблем. Как устранить проблему? Спасибо

1
  • 1
    @MaxZS, неправильно. Внутри Java все символы по 2-байта и в кодировке UTF-16 (правда некоторые символу Unicode кодируются парой символов (насколько помню их называют суррогатная пара)).
    – avp
    19 мар 2016 в 20:52

2 ответа 2

6

Лучше так:

Pattern p = Pattern.compile("иск\\w+", Pattern.UNICODE_CHARACTER_CLASS);
2
  • Помоглось, спасибо! 19 мар 2016 в 21:30
  • а как быть если в паттерне есть несколько групп и одна группа должна искать в англ тексте, а вторая в русском? (пробовал парсить словарь англо-русский)
    – Sain Salor
    2 дек 2021 в 21:03
2

Дело в том, что согласно документации \w соответствует [a-zA-Z_0-9]. Попробуйте искать до ближайшего разделителя. Например так:

Pattern p = Pattern.compile("искл[^\\u0000-\\u002f\\u003a-\\u003f]+");

Ваш ответ

By clicking “Отправить ответ”, you agree to our terms of service and acknowledge that you have read and understand our privacy policy and code of conduct.

Всё ещё ищете ответ? Посмотрите другие вопросы с метками или задайте свой вопрос.