Java中(?U)\p{Punct}正则匹配Unicode标点时遗漏部分符号的问题

为什么两次匹配结果不同？ #

1. 未启用Unicode模式时的行为 #

当使用\\p{Punct}而不加(?U)标志时，Java正则采用ASCII兼容模式：

• \\p{Punct}仅匹配ASCII码表中的标点符号（范围：33-47、58-64、91-96、123-126），也就是常见的半角标点。
• 全角括号（U+FF08、U+FF09）属于Unicode全角字符，不在ASCII标点集合内，因此不会被匹配移除，最终输出保留了（hello）。

2. 启用Unicode模式后的行为 #

添加(?U)（即UNICODE_CHARACTER_CLASS标志）后，\\p{Punct}切换为Unicode标准分类规则：

• 此时\\p{Punct}匹配Unicode标准中定义的「标点符号」（P大类，包含连接符、破折号、起止标点、引号、其他标点等子类别），全角括号属于起止标点（Ps/Pe），因此被成功移除。
• 但$+<>^|~这些符号并不属于Unicode标点类别：
  • $是货币符号（Sc类）
  • +、<、>、|是数学符号（Sm类）
  • ^、~、是修饰符号（Sk类）
    这些符号不在\\p{Punct}的匹配范围内，因此残留下来。

解决方法 #

如果需要移除所有半角/全角标点及类似符号，推荐两种方案：

方案一：匹配Unicode标点+符号类 #

直接组合Unicode标点（\\p{P}）和符号（\\p{S}）类别，覆盖所有需要移除的字符：

Pattern pattern = Pattern.compile("[\\p{P}\\p{S}]");
Matcher matcher = pattern.matcher("!\"#$%&'()*+,-./:;<=>?@[\\]^_`{|}~（hello）");
System.out.println(matcher.replaceAll(""));

执行后输出：hello

方案二：保留字母数字，移除其他 #

如果需求是仅保留字母和数字，直接匹配非字母数字的字符并替换为空：

Pattern pattern = Pattern.compile("[^\\p{L}\\p{N}]");
Matcher matcher = pattern.matcher("!\"#$%&'()*+,-./:;<=>?@[\\]^_`{|}~（hello）");
System.out.println(matcher.replaceAll(""));

执行后同样输出：hello

内容的提问来源于stack exchange，提问作者william