背景：最近在做中文分詞的時候，發現分詞后的數據中出現很多特殊字符，即使進行了去停用詞操作，但是特殊字符太多，也不可能都加到停用詞里，所以就准備用正則去掉，正則很簡單，直接上代碼：
/**
* 正則去掉unicode等特殊字符
* */
private static String regularFilter(String text) {
/**
* \p{L}或\p{Letter}：來自任何語言的任何形式的字母。
* \p{Ll}或\p{Lowercase_Letter}：小寫字母，帶有大寫字母。
* \p{Lu}或\p{Uppercase_Letter}：具有小寫字母變體的大寫字母。
* \p{Lt}或\p{Titlecase_Letter}：僅當單詞的第一個字母大寫時，出現在單詞開頭的字母。
* \p{L＆}或\p{Cased_Letter}：存在小寫和大寫變體（Ll，Lu和Lt的組合）的字母。
* \p{Lm}或\p{Modifier_Letter}：一個特殊字符，用作字母。
* \p{Lo}或\p{Other_Letter}：沒有小寫和大寫變體的字母或表意文字。
* \p{M}或\p{Mark}：打算與另一個字符組合的字符（例如重音符號，變音符，封閉框等）。
* \p{Mn}或\p{Non_Spacing_Mark}：旨在與另一個字符組合而又不占用多余空間（例如重音符號，變音符號等）的字符。
* \p{Mc}或\p{Spacing_Combining_Mark}：一個字符，旨在與另一個占用額外空間的字符組合（許多東方語言中的元音符號）。
* \p{Me}或\p{Enclosing_Mark}：一個字符，它將與之組合的字符括起來（圓形，正方形，鍵帽等）。
* \p{Z}或\p{Separator}：任何類型的空格或不可見的分隔符。
* \p{Zs}或\p{Space_Separator}：一個不可見但占用空間的空白字符。
* \p{Zl}或\p{Line_Separator}：行分隔符U + 2028。
* \p{Zp}或\p{Paragraph_Separator}：段落分隔符U + 2029。
* \p{S}或\p{Symbol}：數學符號，貨幣符號，裝飾符號，畫框的字符等。
* \p{Sm}或\p{Math_Symbol}：任何數學符號。
* \p{Sc}或\p{Currency_Symbol}：任何貨幣符號。
* \p{Sk}或\p{Modifier_Symbol}：組合字符（標記）本身就是完整字符。
* \p{So}或\p{Other_Symbol}：不是數學符號，貨幣符號或組合字符的各種符號。
* \p{N}或\p{Number}：任何腳本中的任何數字字符。
* \p{Nd}或\p{Decimal_Digit_Number}：除表意文字外，任何文字中的數字從零到九。
* \p{Nl}或\p{Letter_Number}：看起來像字母的數字，例如羅馬數字。
* \p{No}或\p{Other_Number}：上標或下標數字，或者不是0到9的數字（表意文字中的數字除外）。
* \p{P}或\p{Punctuation}：任何一種標點符號。
* \p{Pd}或\p{Dash_Punctuation}：任何類型的連字符或破折號。
* \p{Ps}或\p{Open_Punctuation}：任何類型的左括號。
* \p{Pe}或\p{Close_Punctuation}：任何類型的右括號。
* \p{Pi}或\p{Initial_Punctuation}：任何形式的開頭引號。
* \p{Pf}或\p{Final_Punctuation}：任何形式的結束語。
* \p{Pc}或\p{Connector_Punctuation}：標點符號，例如連接單詞的下划線。
* \p{Po}或\p{Other_Punctuation}：不是破折號，方括號，引號或連接符的任何一種標點符號。
* \p{C}或\p{Other}：不可見的控制字符和未使用的代碼點。
* \p{Cc}或\p{Control}：ASCII或Latin-1控制字符：0x00–0x1F和0x7F–0x9F。
* \p{Cf}或\p{Format}：不可見的格式指示符。
* \p{Co}或\p{Private_Use}：保留供私人使用的任何代碼點。
* \p{Cs}或\p{Surrogate}：采用UTF-16編碼的一對代理對的一半。
* \p{Cn}或\p{Unassigned}：未分配任何字符的任何代碼點。
* */
// 替換成"，"，防止本來不是一起的詞被分配到一起影響分詞結果,同時"，"會被停用詞去掉
return text.replaceAll("[\\pM\\pZ\\pS\\pN\\pP\\pC]+", "，");
}
如代碼中注釋所示，通過使用正則來匹配Unicode所屬類別，直接過濾掉了Unicode，非常方便！
注意的是，正則中沒有使用“\p{L}”，這是因為“\p{L}”也會過濾掉中文字符，需要注意，其它的自己看說明並嘗試下，就比較清楚了！
參考資料：http://www.regular-expressions.info/unicode.html