Bagaimanakah Saya Boleh Mengeluarkan Diakritik dengan Cekap daripada Rentetan Unicode di Java?

Alih Keluar Tanda Diakritik daripada Aksara Unikod

Untuk menghapuskan tanda diakritik (cth., tilde, umlaut, dll.) daripada aksara Unikod, pertimbangkan untuk menggunakan algoritma berikut:

Algoritma Java

Di Jawa, gunakan kod berikut:

public static final Pattern DIACRITICS_AND_FRIENDS = Pattern.compile("[\p{InCombiningDiacriticalMarks}\p{IsLm}\p{IsSk}\u0591-\u05C7]+");

private static String stripDiacritics(String str) {
    str = Normalizer.normalize(str, Normalizer.Form.NFD);
    str = DIACRITICS_AND_FRIENDS.matcher(str).replaceAll("");
    return str;
}

Contoh:

stripDiacritics("Björn")  = Bjorn

Algoritma Dipertingkat

Untuk penyelesaian yang lebih menyeluruh, sertakan peringkat pembersihan kedua untuk mengendalikan aksara khas bukan diakritik.

public static final char DEFAULT_REPLACE_CHAR = '-';
public static final String DEFAULT_REPLACE = String.valueOf(DEFAULT_REPLACE_CHAR);
private static final ImmutableMap<String, String> NONDIACRITICS = ImmutableMap.<String, String>builder()
        // ... [List of non-diacritic characters]

public static String simplifiedString(String orig) {
    String str = orig;
    if (str == null) {
        return null;
    }
    str = stripDiacritics(str);
    str = stripNonDiacritics(str);
    if (str.length() == 0) {
        // ... 
    }
    return str.toLowerCase();
}

// ... [Continued implementation]

Kebolehgunaan dan Had

Ini algoritma secara berkesan mengalih keluar diakritik untuk tujuan carian. Walau bagaimanapun, aksara khas bukan diakritik, seperti "ł" Białegostok, memerlukan pengendalian tambahan. Algoritma yang dipertingkatkan cuba untuk menggantikan aksara ini dengan persamaan yang paling hampir.

Atas ialah kandungan terperinci Bagaimanakah Saya Boleh Mengeluarkan Diakritik dengan Cekap daripada Rentetan Unicode di Java?. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!