本文介绍使用正则表达式中的环视断言（look-behind）配合动态构建的多分隔符模式，实现对印地语等复杂unicode字符串（如“क्षत्रिय”）的精准分割，并确保复合分隔符（如“क्ष”“त्र”）被完整保留在结果中。
本文介绍使用正则表达式中的环视断言（look-behind）配合动态构建的多分隔符模式，实现对印地语等复杂unicode字符串（如“क्षत्रिय”）的精准分割，并确保复合分隔符（如“क्ष”“त्र”）被完整保留在结果中。
在处理印度语言（如印地语、梵语）的Unicode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 U+0915 + U+094D + U+0937 构成），不能简单按单个字符切分。若需将字符串 "क्षत्रिय" 拆分为 ["क्ष", "त्र", "ि", "य"]，关键在于——识别预定义的复合分隔符（如 "क्ष", "त्र"），并在其后位置进行分割，同时保留这些分隔符本身。
Java 的 String.split() 默认会丢弃匹配到的分隔符，但借助 正向先行断言（(?） 即可实现“在分隔符之后切分却不消耗它”的效果。该断言属于零宽匹配，仅定位位置，不占用字符。
以下是推荐的两步式解决方案：
✅ 正确做法：使用带捕获组的正向后行断言
String str = "क्षत्रिय";
List<String> delimiters = List.of("श्र", "क्ष", "त्र", "ज्ञ");
// 动态构建正则：(?<=(श्र|क्ष|त्र|ज्ञ))
String pattern = "(?<=" + String.join("|", delimiters.stream()
.map(Pattern::quote) // 关键：转义分隔符中可能含有的正则元字符（如 . * ?）
.collect(Collectors.joining("|"))) + ")";
String[] parts = str.split(pattern);
System.out.println(Arrays.toString(parts)); // [क्ष, त्र, िय]⚠️ 注意：上述输出末尾为 "िय"，因为 split() 仅在匹配位置切分，而 "ि" 和 "य" 之间无分隔符，故未分离。
立即学习“Java免费学习笔记（深入）”；
✅ 精确拆分至目标格式：补充末字符前断言
为将剩余尾部（如 "िय"）进一步拆解为单字符（前提是它们不属于任何分隔符），可扩展正则，添加“在最后一个字符前切分”的备用条件：
// 匹配：(1) 在任意分隔符后；或 (2) 在倒数第一个字符之前（即末字符前）
String refinedPattern = "(?<=" + String.join("|",
delimiters.stream().map(Pattern::quote).collect(Collectors.joining("|")))
+ ")|(?=.$)";
String[] exactParts = str.split(refinedPattern);
System.out.println(Arrays.toString(exactParts)); // [क्ष, त्र, ि, य]? 原理说明：
(?=.$)是正向先行断言，表示“当前位置之后恰好有一个字符”——即匹配倒数第二个字符之后的位置（如"िय"中"ि"后），从而在"ि"和"य"之间切开。
⚠️ 重要注意事项
-
必须转义分隔符：使用
Pattern.quote()包裹每个分隔符，避免其中含正则特殊字符（如.、*、(）导致编译失败或逻辑错误； -
顺序无关但建议按长度降序排列：若分隔符存在包含关系（如
"त्र"和"त्रि"），应将更长者前置，否则短匹配会优先触发（本例无此问题）； -
不适用于重叠分隔符场景：如
"क्षत्र"中"क्ष"和"त्र"相邻但不重叠，当前方案适用；若存在"क्षत्र"同时匹配"क्ष"和"क्षत्र"，需改用Matcher.find()手动扫描； -
性能提示：对超长文本频繁调用时，建议预编译
Pattern.compile(pattern)复用。
该方法无需引入外部库，纯 Java 标准 API 实现，兼顾准确性、可读性与 Unicode 兼容性，适用于 Devanagari、Bengali、Tamil 等多音节文字系统的文本预处理任务。
