正则表达式系列之 —— Unicode：修饰符 "u" 和类 p{...}
Posted LeviDing
tags:
篇首语：本文由小常识网(cha138.com)小编为大家整理，主要介绍了正则表达式系列之 —— Unicode：修饰符 "u" 和类 p{...}相关的知识，希望对你有一定的参考价值。
本号是《现代 javascript 教程》[1]官方微信公众号
Unicode：修饰符 "u" 和类 \\p...
JavaScript 对字符串使用 Unicode 编码[2]。大多数字符使用 2 个字节编码，但这种方式只能编码最多 65536 个字符。
这个范围不足以对所有可能的字符进行编码，这就是为什么使用 4 个字节对一些罕见的字符进行编码，比如 𝒳（数学符号 X）或 😄（笑脸），一些象形文字等等。
下面是一些字符对应的 Unicode 值：
| 字符 | Unicode | Unicode 中的字节数 |
|---|---|---|
| a | 0x0061 | 2 |
| ≈ | 0x2248 | 2 |
| 𝒳 | 0x1d4b3 | 4 |
| 𝒴 | 0x1d4b4 | 4 |
| 😄 | 0x1f604 | 4 |
所以像 a 和 ≈ 这样的字符占用 2 个字节，而 𝒳，𝒴 和 😄 的对应编码则更长，占用 4 个字节。
很久以前，当 JavaScript 被发明出来的时候，Unicode 编码要更加简单：当时没有 4 个字节的字符。所以，有些语言功能现在仍无法正确处理它们。
比如 length 认为这里有 2 个字符：
alert('😄'.length); // 2
alert('𝒳'.length); // 2……但我们可以清楚地认识到这里只有一个字符，对吧？关键在于 length 把 4 个字节当成了 2 个 2 字节长的字符。这是不对的，因为它们必须被当作一个整体来考虑（即所谓的“代理对（surrogate pair）”，你可以在 字符串[3] 一文中阅读关于代理对的更多信息）。
默认情况下，正则表达式也会把一个 4 个字节的“长字符”当成一对 2 个字节长的字符。正如在字符串中遇到的情况，这将导致一些奇怪的结果。我们很快会在后面的章节 集合和范围 [...][4] 中遇到。
与字符串有所不同的是，正则表达式有一个修饰符 u 被用以解决此类问题。当一个正则表达式带有这个修饰符后，4 个字节长的字符将被正确地处理。同时也能够使用 Unicode 属性进行查找了，我们接下来就一起学习它吧。
Unicode 属性 \\p...
Unicode 中的每个字符都有很多属性。它们描述了字符所属的“类别”，包含了关于字符的各种信息。
例如，如果一个字符具有 Letter 属性，这意味着这个字符归属于（任意语言的）字母表。而 Number 属性则表示这是一个数字：也许是阿拉伯数字，亦或是中文数字，等等。
我们可以查找具有某种属性的字符，写作 \\p…。为了使用 \\p…，一个正则表达式必须使用修饰符 u。
举个例子，\\pLetter 表示任何语言中的一个字母。我们也可以使用 \\pL，因为 L 是 Letter 的一个别名。对于每种属性而言，几乎都存在对应的缩写别名。
在下面的例子中会找出来 3 种字母：英语、格鲁吉亚语和韩语。
let str = "A ბ ㄱ";
alert( str.match(/\\pL/gu) ); // A,ბ,ㄱ
alert( str.match(/\\pL/g) ); // null（没有匹配项，因为没有修饰符 "u"）以下是主要的字符类别和它们对应的子类别：
字母（Letter）
L：小写（lowercase）
Ll，修饰（modifier）
Lm，首字母大写（titlecase）
Lt，大写（uppercase）
Lu，其它（other）
Lo。
数字（Number）
N：十进制数字（decimal digit）
Nd，字母数字（letter number）
Nl，其它（other）
No。
标点符号（Punctuation）
P：连接符（connector）
Pc，横杠（dash）
Pd，起始引号（initial quote）
Pi，结束引号（final quote）
Pf，开（open）
Ps，闭（close）
Pe，其它（other）
Po。
标记（Mark）
M（accents etc）：间隔合并（spacing combining）
Mc，封闭（enclosing）
Me，非间隔（non-spacing）
Mn。
符号（Symbol）
S：货币（currency）
Sc，修饰（modifier）
Sk，数学（math）
Sm，其它（other）
So。
分隔符（Separator）
Z：行（line）
Zl，段落（paragraph）
Zp，空格（space）
Zs。
其它（Other）
C：控制符（control）
Cc，格式（format）
Cf，未分配（not assigned）
Cn，私有（private use）
Co，代理伪字符（surrogate）
Cs。
因此，比如说我们需要小写的字母，就可以写成 \\pLl，标点符号写作 \\pP 等等。
也有其它派生的类别，例如：
Alphabetic（Alpha），包含了字母L，加上字母数字Nl（例如 Ⅻ —— 罗马数字 12），加上一些其它符号Other_Alphabetic（OAlpha）。Hex_Digit包括 16 进制数字0-9，a-f。……等等。
Unicode 支持很多不同的属性，列出整个清单需要占用大量的篇幅，因此在这里列出相关的链接：
列出一个字符的所有属性：https://unicode.org/cldr/utility/character.jsp.
按照属性列出所有的字符：https://unicode.org/cldr/utility/list-unicodeset.jsp.
属性的对应缩写形式：https://www.unicode.org/Public/UCD/latest/ucd/PropertyValueAliases.txt.
以文本格式整理的所有 Unicode 字符，包含了所有的属性：https://www.unicode.org/Public/UCD/latest/ucd/.
举例：16 进制数字
举个例子，让我们来查找 16 进制数字，写作 xFF 其中 F 是一个 16 进制的数字（0..9 或者 A..F）。
一个 16 进制数字可以表示为 \\pHex_Digit：
let regexp = /x\\pHex_Digit\\pHex_Digit/u;
alert("number: xAF".match(regexp)); // xAF举例：中文字符
让我们再来查找中文字符。
有一个 Unicode 属性 Script（一个书写系统），这个属性可能有一个值：Cyrillic、Greek、Arabic、Han（中文）等等，[这里是一个完整的列表](https://en.wikipedia.org/wiki/Script_(Unicode "这里是一个完整的列表"))。
要在给定的书写系统中查找字符，我们需要使用 Script=<value>，例如对于西里尔字母：\\psc=Cyrillic，中文象形文字：\\psc=Han，等等。
let regexp = /\\psc=Han/gu; // 返回中文象形文字
let str = `Hello Привет 你好 123_456`;
alert( str.match(regexp) ); // 你,好举例：货币
表示货币的字符，例如 $、€ 和 ¥，具有 Unicode 属性 \\pCurrency_Symbol，缩写为 \\pSc。
让我们用它来查找格式为“货币，接着是一个数字”的价格：
let regexp = /\\pSc\\d/gu;
let str = `Prices: $2, €1, ¥9`;
alert( str.match(regexp) ); // $2,€1,¥9稍后，在 量词 +, *, ? 和 n[5] 一文中我们将学习如何查找包含很多位的数字。
总结
修饰符 u 表示启用正则表达式中对 Unicode 的支持。
这意味着两件事：
4 个字节长的字符被以正确的方式处理：被看成单个字符，而不是 2 个 2 字节长的字符。
Unicode 属性可以被用于查找：
\\p…。
有了 unicode 属性我们可以查找给定语言中的词，特殊字符（引用，货币）等等。
现代 JavaScript 教程：开源的现代 JavaScript 从入门到进阶的优质教程。React 官方文档推荐，与 MDN 并列的 JavaScript 学习教程[6]。
在线免费阅读：https://zh.javascript.info
参考资料
[1]
《现代 JavaScript 教程》: https://zh.javascript.info/
[2]Unicode 编码: https://en.wikipedia.org/wiki/Unicode
[3]字符串: https://zh.javascript.info/string
[4]集合和范围 [...]: https://zh.javascript.info/regexp-character-sets-and-ranges
[5]量词 +, *, ? 和 n: https://zh.javascript.info/regexp-quantifiers
[6]React 官方文档推荐，与 MDN 并列的 JavaScript 学习教程: https://zh-hans.reactjs.org/docs/getting-started.html#javascript-resources
以上是关于正则表达式系列之 —— Unicode：修饰符 "u" 和类 p{...}的主要内容，如果未能解决你的问题，请参考以下文章
正则表达式系列之 —— Unicode：修饰符 "u" 和类 p{...}
正则表达式系列之 —— 模式（Patterns）和修饰符（flags）
正则表达式系列之 —— 模式（Patterns）和修饰符（flags）