Come catturare l'ebraico con regex in Java?

Question

Sto cercando di catturare una sezione di testo ebraico (l'origine è commenti su un sito di notizie) con la seguente espressione regolare:

[\u0590-\u05FF \\p{Graph} \\s]+ 

funziona per la maggior parte dei commenti, ma alcuni commenti sono mancati.

Ho provato a eseguire il debug di questo e sembra che ci sia una lettera ebraica che non corrisponde al modello.

Quando estraggo questa lettera e stampare il suo valore intero sembra essere corretto, ma ancora l'espressione regolare non prenderlo ...

idee?

Answer 1

sarebbe più corretto utilizzare sematically \p{InHebrew} invece di \u0590-\u05FF

Inoltre è necessario far corrispondere punteggiatura, cifre (almeno, quelli comuni in tutto il mondo) e diversi tipi di spazi. Non so cosa sia \p{Graph} e ci sono simboli di punteggiatura specifici per l'ebraico, ma a quanto pare hai perso alcune parti.