Java是否支持其正则表达式库中的非BMP Unicode字符即，代码点> 0xFFFF？

如何解决Java是否支持其正则表达式库中的非BMP Unicode字符即，代码点> 0xFFFF？

| 我当前正在使用Java 6（我没有选择迁移到Java 7的选项），并且我试图使用java.util.regex包对包含Unicode字符的字符串进行模式匹配。 我知道java.lang.String支持补充字符（即，代码点> 0xFFFF的字符）（自Java 5起），但是我看不到使用这些字符进行模式匹配的简单方法。 java.util.regex.Pattern仍然仅允许使用4位数字表示十六进制（例如\\ uFFFF） 有人知道我是否在这里缺少API吗？     

解决方法

我从未用补充字符完成模式匹配，但是我认为这就像将它们（在模式和字符串中）编码为两个16位数字（一个UTF-16代理对）\\ unnnn \\ ummmm一样简单。 “ 0”应该足够聪明，可以将这两个数字（Java字符）解释为模式和字符串中的单个字符（尽管Java仍会将它们视为两个字符，作为字符串的元素）。 两个链接： Java Unicode编码 http://java.sun.com/developer/technicalArticles/Intl/Supplementary/ 从最后一个链接（参考Java 5）：   java.util.regex软件包已经被   更新，以便两个模式字符串   并且目标字符串可以包含   补充字符，这将   作为完整的单位处理。 还请注意，如果您使用UTF8作为编码（用于源文件），则也可以直接编写它们（请参见最后一个链接中的\“在源文件中代表补充字符\”一节）。 例如：

    String pat1 = \".*\\uD840\\uDC00{2}.*\";
    String s1  = \"HI \\uD840\\uDC00\\uD840\\uDC00 BYE\";
    System.out.println(s1.matches(pat1) + \" len=\" + s1.length());

    String pat2 = \".*\\u0040\\u0041{2}.*\";
    String s2 = \"HI \\u0040\\u0041\\u0040\\u0041 BYE\";
    System.out.println(s2.matches(pat2) + \" len=\" + s2.length());

使用Java 6编译的版本可打印

true len=11
false len=11

与上述观点一致。在第一种情况下，我们有一个代码点，表示为一对替代java字符（两个16位字符，一个补充Unicode字符），并且

{2}

量词适用于该对（= codepoint）。在第二个中，我们有两个不同的BMP字符，量词适用于最后一个-因此，没有匹配项。 但是请注意，字符串长度是相同的（因为Java测量的是计算Java字符而不是Unicode代码点的字符串长度）。     ,最简单的解决方案是对您的源代码使用UTF-8编码。然后直接将字符放进去。您永远都不必在任何程序中指定单独的代码单元。 但是，字符类仍然存在问题，因为Java公开暴露的UTF-16内部编码将它们弄乱了。在JDK7之前，您无法使用完整的Unicode，即使在JDK7上，也必须使用间接的

\\x{HHHHH}

表示法指定逻辑代码点。您仍然无法在charclass中拥有任何文字代码点，但是可以使用

\\x{H..H}

躲避它。 不完美，但比以前要好得多。 UTF-16始终是一种折衷方案。内部使用UTF-8或UTF-32的系统没有这些限制。它们也永远不会使您指定与代码点不同的代码单位。