Recherche d'un texte Unicode à l'aide de regex

Question

La recherche dans un fichier écrit en hindi (Devanagri) (UTF-16) a donné lieu au problème suivant.

Le fichier contient:

त्रास ततत जुग नींद ना हा बु

Notez que le premier char 'त्र' est un point de code multiple de त + ् + र Maintenant, alors que recherche de 'त' J'obtiens 4 parties dont le त du premier caractère. J'utilise Java.

Comment puis-je rechercher les 'त' qui ne font pas partie de plusieurs points de code.

Toute aide sera appréciée. :)

Answer 1

Vous pouvez le faire en utilisant les propriétés unicode, je crois.

त(?!\p{M}+) 

doit correspondre au point de code त tant qu'il est pas suivi par tous les points de code dans la catégorie M, qui sont des caractères destinés à être combinés avec d'autres personnages. Il utilise un lookahead négatif pour faire cette affirmation.

E: et si cela ne fonctionne pas tout de suite, essayez

\uxxxx(?!\p{M}+) 

Lorsque le xxxx est le numéro du point de code du त symbole.

Answer 2

Il semble que le glyphe 'त्र' soit en fait une ligature ou une conjonction, et non un caractère de point de code multiple. Donc, je suppose que vous obtenez le résultat attendu (sauf si vous voulez faire correspondre glyphes). Voir http://en.wikipedia.org/wiki/Devanagari#Conjuncts.