正则表达式unicode

转：http://qixuejia.cnblogs.com/

 

Unicode 编码并不只是为某个字符简单定义了一个编码，而且还将其进行了归类。 

\pP 其中的小写 p 是 property 的意思，表示 Unicode 属性，用于 Unicode 正表达式的前缀。 

大写 P 表示 Unicode 字符集七个字符属性之一：标点字符。 

其他六个是 

L：字母； 
M：标记符号（一般不会单独出现）； 
Z：分隔符（比如空格、换行等）； 
S：符号（比如数学符号、货币符号等）； 
N：数字（比如阿拉伯数字、罗马数字等）； 
C：其他字符 

上面这七个是属性，七个属性下还有若干个子属性，用于更进一步地进行细分。 

Java 中用于 Unicode 的正则表达式数据都是由 Unicode 组织提供的。 

Unicode 正则表达式标准（可以找到所有的子属性） 
http://www.unicode.org/reports/tr18/ 

各 Unicode 字符属性的定义，可以用一看看某个字符具有什么属性。 
http://www.unicode.org/Public/UNIDATA/UnicodeData.txt 

这个文本文档一行是一个字符，第一列是 Unicode 编码，第二列是字符名，第三列是 Unicode 属性， 
以及其他一些字符信息。

 

类别

说明

Lu	字母，大写
Ll	字母，小写
Lt	字母，首字母大写
Lm	字母，修饰符
Lo	字母，其他
L	所有字母字符。 这包括 Lu、Ll、Lt、Lm 和 Lo 字符。
Mn	标记，非间距
Mc	标记，间距组合
Me	标记，封闭
M	所有音调符号标记。 这包括 Mn、Mc 和 Me 类别。
Nd	数字，十进制数
Nl	数字，字母
No	数字，其他
N	所有数字。 这包括 Nd、Nl 和 No 类别。
Pc	标点，连接符
Pd	标点，短划线
Ps	标点，开始
Pe	标点，结束
Pi	标点，前引号（根据具体使用情况，作用可能像 Ps 或 Pe）
Pf	标点，后引号（根据具体使用情况，作用可能像 Ps 或 Pe）
Po	标点，其他
P	所有标点字符。 这包括 Pc、Pd、Ps, Pe、Pi、Pf 和 Po 类别。
Sm	符号，数学
Sc	符号，货币
Sk	符号，修饰符
So	符号，其他
S	所有符号。 这包括 Sm、Sc、Sk 和 So 类别。
Zs	分隔符，空白
Zl	分隔符，行
Zp	分隔符，段落
Z	所有分隔符字符。 这包括 Zs、Zl 和 Zp 类别。
Cc	其他，控制
Cf	其他，格式
Cs	其他，代理项
Co	其他，私用
Cn	其他，未赋值（任何字符都不具有此属性）
C	所有控制字符。 这包括 Cc、Cf、Cs、Co 和 Cn