本文介绍使用正则表达式中的正向后查找（look-behind） 和正向前瞻（look-ahead） 实现按预定义Unicode多字符序列（如“क्ष”“त्र”）精确分割字符串，并确保分隔符保留在结果数组中，适用于梵文、印地语等复杂文字处理场景。
本文介绍使用正则表达式中的**正向后查找（look-behind）** 和**正向前瞻（look-ahead）** 实现按预定义unicode多字符序列（如“क्ष”“त्र”）精确分割字符串，并确保分隔符保留在结果数组中，适用于梵文、印地语等复杂文字处理场景。
在处理印度语言（如印地语、梵语）文本时，一个常见挑战是：许多音节由多个Unicode码点组合而成（例如“क्ष”实际由 क + ् + ष 构成），而用户希望将这些预定义的复合音节（如 "क्ष", "त्र"）作为原子单位进行分割并保留在结果中——而非按单个字符或默认空格/标点切分。
Java 的 String.split() 默认基于正则表达式，但普通分隔符模式（如 split("क्ष")）会移除分隔符本身，无法满足“保留分隔符”的需求。此时需借助 零宽断言（zero-width assertions）：
(? 是正向后查找（positive look-behind），匹配位置前紧邻指定模式；-
(?=...)是正向前瞻（positive look-ahead），匹配位置后紧邻指定模式。
✅ 正确思路是：在每个分隔符之后的位置插入分割点（即用 (?），这样分隔符自身保留在前一个片段末尾；但若字符串结尾不以分隔符结束（如 <code>"क्षत्रिय" 中 "य" 无后续分隔符），最后一个非分隔符部分仍会合并。因此需补充一个兜底规则：对字符串最后一个字符之前的位置也触发分割（即 (?=.$)，表示“其后恰好有一个字符”）。
以下是完整可运行示例：
立即学习“Java免费学习笔记（深入）”；
public class UnicodeSplitter {
public static void main(String[] args) {
String str = "क्षत्रिय";
List<String> delimiters = List.of("श्र", "क्ष", "त्र", "ज्ञ");
// 构建正则：在任一分隔符后 OR 在倒数第二个字符后（即最后一个字符前）分割
String regex = "(?<=(" + String.join("|", delimiters) + "))|(?=.$)";
String[] parts = str.split(regex);
System.out.println(Arrays.toString(parts));
// 输出：[क्ष, त्र, ि, य]
}
}⚠️ 注意事项：
(? 要求内部模式必须是<strong>固定长度</strong>（Java 8+ 支持有限变长，但推荐避免 <code>*/+等不定长量词）；所幸"श्र|क्ष|त्र|ज्ञ"均为2字符长度，完全兼容。- 若分隔符列表为空，
String.join("|", delimiters)将返回空字符串，导致正则语法错误，务必提前校验。 - 该方法依赖Unicode字符串的原始编码顺序（即未归一化），若输入含组合字符变体（如预组合 vs 分解形式），建议先调用
Normalizer.normalize(str, Normalizer.Form.NFC)统一格式。 - 对于更复杂的音节边界分析（如处理
ि与前面辅音的连写逻辑），纯正则可能不足，应考虑专用库如 ICU4J 或 Apache OpenNLP。
总结：通过组合 (? 与 <code>(?=.$)，我们实现了精准、轻量、无需外部依赖的Unicode多字符分隔符保留式分割，兼顾可读性与实用性，是处理南亚文字分词任务的高效起点。
