本文介绍使用正则表达式（基于零宽断言）将包含复合梵文字母（如“क्ष”“त्र”）的印度语言字符串精确切分为音节单元，同时保留在原位置的多字符分隔符。
本文介绍使用正则表达式（基于零宽断言）将包含复合梵文字母（如“क्ष”“त्र”）的印度语言字符串精确切分为音节单元，同时保留在原位置的多字符分隔符。
在处理印地语、梵语等基于天城文（Devanagari）的文本时，一个常见挑战是：某些音节（如 क्ष、त्र、ज्ञ、श्र）由多个 Unicode 字符组合而成（例如 क्ष = क + ् + ष），但语义上应被视为不可分割的原子单位。若需将字符串（如 "क्षत्रिय"）按这些预定义音节单元进行切割并保留分隔符本身，标准的 String.split() 无法直接满足——因为它默认丢弃分隔符，且不支持多字符匹配作为边界。
解决方案是利用 Java 正则表达式的零宽断言（zero-width assertions），特别是 (?（正向先行断言）和 <code>(?=...)（正向后行断言），在不消耗字符的前提下定位切分点。
✅ 核心思路：在分隔符后插入“切口”
首先，我们希望在每个匹配的分隔符（如 "क्ष" 或 "त्र"）之后立即切分，且保留该分隔符在结果中。这可通过正向先行断言 (? 实现：
String str = "क्षत्रिय";
List<String> delimiters = List.of("श्र", "क्ष", "त्र", "ज्ञ");
String regex = "(?<=(" + String.join("|", delimiters) + "))";
String[] parts = str.split(regex);执行后得到：["क्ष", "त्र", "िय"]
✅ 前两个分隔符被成功保留并独立成项；
❌ 但末尾 "िय" 未进一步拆分——因为 ि（ि, U+093F）是独立元音符号（vowel sign），常依附于前一辅音，而 "य" 是独立辅音字母，二者之间无预定义分隔符，因此未触发切分。
✅ 补充策略：对末尾单字符做“前瞻切分”
为达成目标输出 ["क्ष", "त्र", "ि", "य"]，需额外在最后一个字符之前也切一刀。可借助 (?=.$) —— 即“在任意单个字符之前的位置”（. 匹配任意 Unicode 字符，$ 表示行尾，(?=.$) 即匹配倒数第一个字符的起始位置）：
立即学习“Java免费学习笔记（深入）”；
String regex = "(?<=(" + String.join("|", delimiters) + "))|(?=.$)";
String[] parts = str.split(regex);
// 输出：["क्ष", "त्र", "ि", "य"]⚠️ 注意：(?=.$) 在长度 ≥1 的字符串中恒成立一次（位于倒数第一与倒数第二字符之间），因此它仅增加一次切分点，不会导致过度拆分。
? 完整可运行示例
public class DevanagariSplitter {
public static void main(String[] args) {
String input = "क्षत्रिय";
List<String> delims = List.of("श्र", "क्ष", "त्र", "ज्ञ");
// 构建正则：在任一分隔符后，或在最后一个字符前切分
String pattern = "(?<=(" + String.join("|", delims) + "))|(?=.$)";
String[] result = input.split(pattern);
System.out.println(java.util.Arrays.toString(result));
// 输出：[क्ष, त्र, ि, य]
}
}⚠️ 注意事项与局限性
-
Unicode 正确性：此方法依赖 Java 默认启用的 Unicode-aware 模式（Java 7+ 默认支持），
.和split()能正确处理增补字符（如 emoji）及组合字符。但若输入含 ZWJ/ZWNJ 等连接控制符，需额外预处理。 -
分隔符顺序敏感：正则中
|是从左到右匹配，建议将更长的分隔符（如"क्ष"）放在列表前面，避免"क"被误匹配（本例中所有分隔符长度一致，无冲突）。 -
空字符串处理：若输入为空或仅含一个字符，
(?=.$)将不匹配，split()返回空数组；建议调用前校验input.length() > 0。 -
非贪婪与重叠：当前逻辑不支持重叠分隔符（如
"क्षत्र"中"क्ष"和"त्र"相邻），因split()是顺序扫描，首个匹配即切分，后续不再回溯。
✅ 总结
通过组合 (?（保留在分隔符后切）与 <code>(?=.$)（强制末尾再切一次），可在不引入第三方库的前提下，精准实现“按多字符 Unicode 序列拆分并保留分隔符”的需求。该方案轻量、高效，适用于天城文等复杂文字系统的音节级文本分析场景。
