删除西里尔字母UTF-8编码字符串中的所有非字字符。

Question

通常，为了从字符串中删除非单词字符，可以使用replaceAll方法：

String cleanWords = "some string with non-words such as ';'".replaceAll("\\W", "");

以上返回一个已清除的字符串"somestringwithnonwordssuchas".。

但是，如果字符串包含西里尔字母，它们就会被识别为非单词，并从字符串中删除。预计西里尔字母仍将保留。这就是问题所在。

假设字符串具有UTF-8编码，什么是正确的方法来处理移除非单词字符的任务？

Answer 1

试试[^\\p{L}]。它应该匹配除字母以外的每个Unicode代码点。

班级对可能的字符类有相当全面的描述。请注意，POSIX字符类是ASCII--默认情况下是ASCII，不会对您有很大帮助，您需要使用Unicode特定的类。

请注意，有一个标志将POSIX类的行为更改为符合Unicode标准的这一部分 (基本上使它们等价于它们最接近的Unicode感知的等价物)。