正则表达式：去除Unicode

88540591

2020-06-04

背景：最近在做中文分词的时候，发现分词后的数据中出现很多特殊字符，即使进行了去停用词操作，但是特殊字符太多，也不可能都加到停用词里，所以就准备用正则去掉，正则很简单，直接上代码：

/**
     * 正则去掉unicode等特殊字符
     * */
    private static String regularFilter(String text) {
        /**
         * \p{L}或\p{Letter}：来自任何语言的任何形式的字母。
         *      \p{Ll}或\p{Lowercase_Letter}：小写字母，带有大写字母。
         *      \p{Lu}或\p{Uppercase_Letter}：具有小写字母变体的大写字母。
         *      \p{Lt}或\p{Titlecase_Letter}：仅当单词的第一个字母大写时，出现在单词开头的字母。
         *      \p{L＆}或\p{Cased_Letter}：存在小写和大写变体（Ll，Lu和Lt的组合）的字母。
         *      \p{Lm}或\p{Modifier_Letter}：一个特殊字符，用作字母。
         *      \p{Lo}或\p{Other_Letter}：没有小写和大写变体的字母或表意文字。
         * \p{M}或\p{Mark}：打算与另一个字符组合的字符（例如重音符号，变音符，封闭框等）。
         *      \p{Mn}或\p{Non_Spacing_Mark}：旨在与另一个字符组合而又不占用多余空间（例如重音符号，变音符号等）的字符。
         *      \p{Mc}或\p{Spacing_Combining_Mark}：一个字符，旨在与另一个占用额外空间的字符组合（许多东方语言中的元音符号）。
         *      \p{Me}或\p{Enclosing_Mark}：一个字符，它将与之组合的字符括起来（圆形，正方形，键帽等）。
         * \p{Z}或\p{Separator}：任何类型的空格或不可见的分隔符。
         *      \p{Zs}或\p{Space_Separator}：一个不可见但占用空间的空白字符。
         *      \p{Zl}或\p{Line_Separator}：行分隔符U + 2028。
         *      \p{Zp}或\p{Paragraph_Separator}：段落分隔符U + 2029。
         * \p{S}或\p{Symbol}：数学符号，货币符号，装饰符号，画框的字符等。
         *      \p{Sm}或\p{Math_Symbol}：任何数学符号。
         *      \p{Sc}或\p{Currency_Symbol}：任何货币符号。
         *      \p{Sk}或\p{Modifier_Symbol}：组合字符（标记）本身就是完整字符。
         *      \p{So}或\p{Other_Symbol}：不是数学符号，货币符号或组合字符的各种符号。
         * \p{N}或\p{Number}：任何脚本中的任何数字字符。
         *      \p{Nd}或\p{Decimal_Digit_Number}：除表意文字外，任何文字中的数字从零到九。
         *      \p{Nl}或\p{Letter_Number}：看起来像字母的数字，例如罗马数字。
         *      \p{No}或\p{Other_Number}：上标或下标数字，或者不是0到9的数字（表意文字中的数字除外）。
         * \p{P}或\p{Punctuation}：任何一种标点符号。
         *      \p{Pd}或\p{Dash_Punctuation}：任何类型的连字符或破折号。
         *      \p{Ps}或\p{Open_Punctuation}：任何类型的左括号。
         *      \p{Pe}或\p{Close_Punctuation}：任何类型的右括号。
         *      \p{Pi}或\p{Initial_Punctuation}：任何形式的开头引号。
         *      \p{Pf}或\p{Final_Punctuation}：任何形式的结束语。
         *      \p{Pc}或\p{Connector_Punctuation}：标点符号，例如连接单词的下划线。
         *      \p{Po}或\p{Other_Punctuation}：不是破折号，方括号，引号或连接符的任何一种标点符号。
         * \p{C}或\p{Other}：不可见的控制字符和未使用的代码点。
         *      \p{Cc}或\p{Control}：ASCII或Latin-1控制字符：0x00–0x1F和0x7F–0x9F。
         *      \p{Cf}或\p{Format}：不可见的格式指示符。
         *      \p{Co}或\p{Private_Use}：保留供私人使用的任何代码点。
         *      \p{Cs}或\p{Surrogate}：采用UTF-16编码的一对代理对的一半。
         *      \p{Cn}或\p{Unassigned}：未分配任何字符的任何代码点。
         * */
        // 替换成"，"，防止本来不是一起的词被分配到一起影响分词结果,同时"，"会被停用词去掉
        return text.replaceAll("[\\pM\\pZ\\pS\\pN\\pP\\pC]+", "，");
    }

如代码中注释所示，通过使用正则来匹配Unicode所属类别，直接过滤掉了Unicode，非常方便！

注意的是，正则中没有使用“\p{L}”，这是因为“\p{L}”也会过滤掉中文字符，需要注意，其它的自己看说明并尝试下，就比较清楚了！

参考资料：http://www.regular-expressions.info/unicode.html

正则表达式 unicode