如何在含变音符号的SPARQL查询中正确使用正则表达式？

我执行SPARQL查询筛选英文标签中包含"Sigmund"（大小写不敏感）的资源，但返回结果不完整，缺失了带变音符号的资源（比如Sigmund Jähn）。

原查询代码 #

PREFIX rdf: <http://www.w3.org/1999/02/22-rdf-syntax-ns#>
PREFIX rdfs: <http://www.w3.org/2000/01/rdf-schema#>
SELECT DISTINCT ?s WHERE {
        ?s rdfs:label ?label .
        FILTER ( LANG(?label) = "en" )
        BIND (STR(?label) AS ?label_text) 
        FILTER(REGEX(?label_text, "Sigmund", "i"))
} 

问题分析 #

缺失的核心原因是Unicode字符表示形式不一致：变音符号（比如ä）在DBpedia的标签中可能存在两种等价但编码不同的形式：

1. 单一合成字符（如U+00E4，直接的ä）
2. 分解形式（如U+0061字母a + U+0308组合分音符）

原查询直接对原始字符串做正则匹配，无法识别这两种等价的Unicode编码，导致带分解形式变音符号的资源被过滤。

解决方法 #

使用UNICODE_NORMALIZE函数将标签字符串归一化为标准合成形式（NFC），确保等价的Unicode字符统一为相同的编码表示，再执行正则匹配：

PREFIX rdf: <http://www.w3.org/1999/02/22-rdf-syntax-ns#>
PREFIX rdfs: <http://www.w3.org/2000/01/rdf-schema#>
SELECT DISTINCT ?s WHERE {
        ?s rdfs:label ?label .
        FILTER ( LANG(?label) = "en" )
        # 将字符串归一化为标准合成形式NFC，统一等价字符编码
        BIND (UNICODE_NORMALIZE(STR(?label), "NFC") AS ?normalized_label)
        FILTER(REGEX(?normalized_label, "Sigmund", "i"))
}

补充说明 #

• UNICODE_NORMALIZE支持四种归一化形式：NFC、NFD、NFKC、NFKD，这里选择NFC（标准合成形式）即可覆盖绝大多数场景。
• 也可以用CONTAINS替代REGEX（先归一化再转小写），实现相同效果：

  FILTER(CONTAINS(LCASE(?normalized_label), "sigmund"))
  

内容的提问来源于stack exchange，提问作者Adrian Graap