Java中如何使用正则提取含非英文字符的指定位置子串

问题描述 #

现有如下格式的文件名：

• choryangStn_110_220114_일_0.sbm
• choryangStn_110_220114_이_0.sbm
• choryangStn_110_220114_삼_0.sbm
  需要提取上述文件名中的일、이、삼字符。
  最初尝试的实现代码：

String filename = "choryangStn_110_220114_일_0.sbm";
filename.replaceAll(".*_(\\w+)_\\d+\\.\\w+", "$1");

该写法无法正常生效。需求是让正则可以同时匹配\w和[가-힣]（韩文范围字符），后续先后尝试了两种写法：

filename.replaceAll(".*_(\\w+)||[가-힣]_\\d+\\.\\w+", "$1");
filename.replaceAll(".*_(\\w+||[가-힣])_\\d+\\.\\w+", "$1");

两种写法均无法正常工作。

问题原因 #

1. Java正则中默认的\w仅匹配[a-zA-Z0-9_]，不包含韩文字符，所以初始正则匹配不到对应位置的韩文。
2. 正则的逻辑或语法是单个|，不存在||的写法，后续尝试的代码里||会被识别为普通竖线字符，完全偏离匹配逻辑。
3. 多字符范围匹配不需要用分支或，直接把所有需要匹配的范围放到同一个方括号字符集中即可。

正确实现方式 #

方法1：合并字符匹配范围 #

直接把韩文范围加入匹配的字符集，不需要额外分支：

String filename = "choryangStn_110_220114_일_0.sbm";
String target = filename.replaceAll(".*_([\\w가-힣]+)_\\d+\\.\\w+", "$1");

运行后target的值就是需要提取的韩文字符。

方法2：开启Unicode匹配模式 #

在正则前加(?U)标记，让\w支持匹配所有Unicode文字字符（包含韩文、中文等非ASCII文字），写法更简洁：

String filename = "choryangStn_110_220114_일_0.sbm";
String target = filename.replaceAll(".*_(?U)(\\w+)_\\d+\\.\\w+", "$1");

方法3：字符串分割（无正则写法） #

如果文件名格式完全固定，用字符串分割的方式更简单，不需要考虑正则兼容问题：

String filename = "choryangStn_110_220114_일_0.sbm";
// 先去除文件后缀，再按下划线分割
String[] segments = filename.substring(0, filename.lastIndexOf('.')).split("_");
String target = segments[3]; // 分割后第4段就是目标字符

内容的提问来源于stack exchange，提问作者user18045244