java - 包含汉字和全角/半角字符的正则表达式

Question

我正在为一个 java 项目做验证规则，我得到的要求之一是:

"The ID card address should contain no less than eight (≥8) Chinese characters (exclusive of full-width/half-width symbols)."

我不知道如何解决这个问题。

我已经到了可以验证中文字符但无法排除所有全角/半角符号的地步。

return Pattern.matches("^[\\p{IsHan}]{8,}$", address);

结果应该是这样的

• 名字名字名字名字 = true
• 名字名字名(字)= true
• 名字名字名(字) = false
• 名字名字名(字)= false

有人有什么建议吗？

Answer 1

假设要检查字符串中是否有8个或更多的汉字:

Pattern.compile("^(\\P{sc=Han}*\\p{sc=Han}){8}.*$", Pattern.DOTALL);

由于不清楚您认为汉字是什么，所以我使用汉字 script作为近似值。根据Unicode 6.2.0 , 汉字被定义为包含以下代码点:

2E80..2E99    ; Han # So  [26] CJK RADICAL REPEAT..CJK RADICAL RAP
2E9B..2EF3    ; Han # So  [89] CJK RADICAL CHOKE..CJK RADICAL C-SIMPLIFIED TURTLE
2F00..2FD5    ; Han # So [214] KANGXI RADICAL ONE..KANGXI RADICAL FLUTE
3005          ; Han # Lm       IDEOGRAPHIC ITERATION MARK
3007          ; Han # Nl       IDEOGRAPHIC NUMBER ZERO
3021..3029    ; Han # Nl   [9] HANGZHOU NUMERAL ONE..HANGZHOU NUMERAL NINE
3038..303A    ; Han # Nl   [3] HANGZHOU NUMERAL TEN..HANGZHOU NUMERAL THIRTY
303B          ; Han # Lm       VERTICAL IDEOGRAPHIC ITERATION MARK
3400..4DB5    ; Han # Lo [6582] CJK UNIFIED IDEOGRAPH-3400..CJK UNIFIED IDEOGRAPH-4DB5
4E00..9FCC    ; Han # Lo [20941] CJK UNIFIED IDEOGRAPH-4E00..CJK UNIFIED IDEOGRAPH-9FCC
F900..FA6D    ; Han # Lo [366] CJK COMPATIBILITY IDEOGRAPH-F900..CJK COMPATIBILITY IDEOGRAPH-FA6D
FA70..FAD9    ; Han # Lo [106] CJK COMPATIBILITY IDEOGRAPH-FA70..CJK COMPATIBILITY IDEOGRAPH-FAD9
20000..2A6D6  ; Han # Lo [42711] CJK UNIFIED IDEOGRAPH-20000..CJK UNIFIED IDEOGRAPH-2A6D6
2A700..2B734  ; Han # Lo [4149] CJK UNIFIED IDEOGRAPH-2A700..CJK UNIFIED IDEOGRAPH-2B734
2B740..2B81D  ; Han # Lo [222] CJK UNIFIED IDEOGRAPH-2B740..CJK UNIFIED IDEOGRAPH-2B81D
2F800..2FA1D  ; Han # Lo [542] CJK COMPATIBILITY IDEOGRAPH-2F800..CJK COMPATIBILITY IDEOGRAPH-2FA1D

Java 8 is using Unicode 6.2.0 , 所以 \p{sc=Han} 匹配上面列出的代码点。但是，该实现还包括未分配的代码点(在已分配的 block 中)和未分配的 block ，因此请注意将 JRE 升级到最新的主要版本，以确保程序在向 Unicode 添加更多字符时正确运行。

特别是，\p{sc=Han} 在 Oracle 的实现中包括这些范围:

• U+2E80 - U+2FEF:CJK 部首补充(整 block )、Kangxi 部首(整 block )和未分配 block 中的 16 个代码点。
• U+3005、U+3007、U+3021 - U+3029、U+3038 - U+303B:CJK 符号和标点符号( block 中的一些字符)
• U+3400 - U+4DBF:中日韩统一表意文字扩展 A(整 block )
• U+4E00 - U+9FFF:中日韩统一表意文字(整 block )
• U+F900 - U+FAFF:中日韩兼容表意文字(整 block )
• U+20000 - U+E0000:CJK Unified Ideographs Extension B/C/D/E(整 block )，CJK Compatibility Ideographs Supplement(整 block )，和几个未分配的 Unicode 平面，加上标签 block 中的一个保留代码点.