Trường Pattern.CANON_EQ trong Java với ví dụ

Trường CANON_EQ của lớp Pattern khớp hai ký tự chỉ khi chúng canonically equal (bằng nhau theo chuẩn Unicode). Khi dùng flag này trong compile(), hai ký tự khớp nếu và chỉ nếu full canonical decompositions (phân giải chuẩn đầy đủ) của chúng bằng nhau.

Canonical decomposition là một trong các dạng chuẩn hóa văn bản Unicode (Normalization Form D - NFD).

Ví dụ 1: b + combining dot above (ḃ) vs precomposed ḃ

import java.util.regex.Matcher;
import java.util.regex.Pattern;

public class CANON_EQ_Example {
    public static void main(String args[]) {
        String regex = "b\u0307"; // b + combining dot above (U+0307)
        
        Pattern pattern = Pattern.compile(regex, Pattern.CANON_EQ);
        Matcher matcher = pattern.matcher("\u1E03"); // ḃ (U+1E03) - precomposed
        
        if (matcher.matches()) {
            System.out.println("Tìm thấy khớp");
        } else {
            System.out.println("Không tìm thấy khớp");
        }
    }
}

Kết quả

Tìm thấy khớp

Ví dụ 2: a + combining ring above (å) vs các biến thể khác

import java.util.regex.Matcher;
import java.util.regex.Pattern;

public class CANON_EQ_Example {
    public static void main(String args[]) {
        String regex = "a\u030A"; // a + combining ring above (U+030A)
        
        Pattern pattern = Pattern.compile(regex, Pattern.CANON_EQ);
        
        String[] input = {
            "\u00E5",    // å precomposed (U+00E5)
            "a\u0311",   // a + combining inverted breve (U+0311)
            "a\u0325",   // a + combining ring below (U+0325)
            "a\u030A",   // a + combining ring above (U+030A) - giống regex
            "a\u1E03",   // a + ḃ? (sai)
            "a\uFB03"    // ligature ffi (U+FB03)
        };
        
        for (String ele : input) {
            Matcher matcher = pattern.matcher(ele);
            if (matcher.matches()) {
                System.out.println(ele + " khớp với " + regex);
            } else {
                System.out.println(ele + " KHÔNG khớp với " + regex);
            }
        }
    }
}

Kết quả

å khớp với å
ȃ KHÔNG khớp với å
ḁ KHÔNG khớp với å
å khớp với å
aḃ KHÔNG khớp với å
affi KHÔNG khớp với å

Giải thích: Chỉ å (U+00E5) và a\u030A có cùng canonical decomposition (a + ring above), nên khớp. Các combining mark khác không khớp.