使用 Javascript 正则表达式匹配重音字符

Posted 2023-02-24

【中文标题】使用 Javascript 正则表达式匹配重音字符

【英文标题】：Matching accented characters with Javascript regexes

【发布时间】：2011-07-23 03:36:50

【问题描述】：

这是我今天遇到的一个有趣的 sn-p：

/\ba/.test("a") --> true
/\bà/.test("à") --> false

然而，

/à/.test("à") --> true

首先，wtf?

其次，如果我想匹配单词开头的重音字符，我该怎么做？ （我真的很想避免使用像/(?:^|\s|'|\(\) .... 这样的过度选择器）

【问题讨论】：

你的 WTF 的答案是 javascript 不能在正则表达式中正确处理 Unicode。请参阅the standard 以了解它应该如何工作。或者使用在这方面符合标准的语言。仅举几例……在 Perl、php、PCRE 和 ICU 正则表达式中，"à" 肯定与模式 /\bà/ 匹配。它们更适合 Unicode 工作。

您可能想要删除重音符号，然后进行简单的 [a-z] 检查。见***.com/questions/990904/…

【参考方案1】：

/\bà/.test("à") 不匹配的原因是因为“à”不是单词字符。转义序列\b 仅在单词字符的边界和非单词字符之间匹配。 /\ba/.test("a") 匹配，因为“a”是一个单词字符。正因为如此，字符串的开头（不是单词字符）和字母“a”之间有一个边界，它是一个单词字符。

JavaScript 正则表达式中的单词字符定义为[a-zA-Z0-9_]。

要匹配字符串开头的重音字符，只需在正则表达式的开头使用^ 字符（例如/^à/）。该字符表示字符串的开头（与匹配字符串中任何单词边界的\b 不同）。是最基本、最标准的正则表达式，所以绝对不过分。

【讨论】：

嗯，这解释了很多事情，但我想我在原来的问题中实际上说错了。我需要匹配单词的开头，而不是字符串。我认为选择器“over-the-top”的原因是因为它需要匹配字符串的开头、空格、括号、逗号、句号...

+1 我只想用re.test() 方法补充一点，需要注意re.lastIndex 属性的行为，它包含最后一个匹配的偏移量（并且是下一个匹配的位置）比赛尝试将开始）。这在这种情况下不适用，因为该方法被应用于正则表达式文字，但如果正则表达式对象存储在变量中然后多次使用，这确实很重要。

Javascript 不符合 The Unicode Standard，因为引用的标准非常清楚地指出，像 à 这样的东西绝对要与正则表达式中的 \w 匹配。

【参考方案2】：

堆栈溢出在正则表达式中也存在非 ASCII 字符的问题，您可以找到它here。他们没有处理单词边界，但可能会给你一些有用的提示。

还有一个page，但他想匹配字符串而不是单词。

我不知道，现在也没有找到解决您问题的锚点，但是当我看到我的第一个链接中使用了哪些怪物正则表达式时，您想要避免的组并没有超出顶部并且我认为你的解决方案。

【参考方案3】：

这对我有用：

/^[a-z\u00E0-\u00FC]+$/i

在here的帮助下

【讨论】：

使用你的正则表达式你会错过法语字母'ÿ'和'œ'。尝试/^[A-Za-z\u00C0-\u017F]+$/ 获取所有信息。

大写字符的等价物是什么？

从什么时候开始 ÿa 法语字母 :D (这里是母语...)

这个正则表达式包括00F7，即除号

【参考方案4】：

const regex = /^[\-/A-Za-z\u00C0-\u017F ]+$/;
const test1 = regex.test("à");
const test2 = regex.test("Martinez-Cortez");
const test3 = regex.test("Leonardo da vinci");
const test4 = regex.test("ï");

console.log('test1', test1);
console.log('test2', test2);
console.log('test3', test3);
console.log('test4', test4);

基于 Wak 和 Cœur 的回答：

/^[\-/A-Za-z\u00C0-\u017F ]+$/

也适用于空格和破折号。

例如：莱昂纳多·达·芬奇、马丁内斯-科尔特斯

【讨论】：

您的示例不包含任何 OP 请求的重音字符

【参考方案5】：

Unicode 允许对某些重音字符进行两种替代但等效的表示。例如，é 有两种 Unicode 表示：'\u0039' 和 '\u0065\u0301'。前者称为组合形式，后者称为分解形式。 JavaScript 允许在两者之间进行转换：

'é'.normalize('NFD') // decompose: '\u0039' -> '\u0065\u0301'
'é'.normalize('NFC') // compose: '\u0065\u0301' -> '\u0039'
'é'.length // composed form: -> 1
'é'.length // decomposed form: -> 2 (looks identical but has different representation)
'é' == 'é' // -> false (composed and decomposed strings are not equal)

代码点'\u0301' 属于Unicode Combining Diacritical Marks 代码块0300-036F。所以匹配这些重音字符的一种方法是以分解的形式比较它们：

// matching accented characters
/[a-zA-Z][\u0300-\u036f]+/.test('é'.normalize('NFD')) // -> true
/\bé/.test('é') // -> false
/\bé/.test('é'.normalize('NFD')) // -> true (NOTE: /\bé/ uses the decomposed form)

// matching accented words
/^\w+$/.test('résumé') // -> false
/^(?:[a-zA-Z][\u0300-\u036f]*)+$/.test('résumé'.normalize('NFD')) // -> true

【参考方案6】：

如果您想匹配字母，无论它们是否带有重音符号，unicode property escapes 都会有所帮助。

/\pLetter*/u.test("à"); // true
/\pLetter/u.test('œ'); // true
/\pLetter/u.test('a'); // true
/\pLetter/u.test('3'); // false
/\pLetter/u.test('a'); // true

匹配单词的开头很棘手，但(?<=(?:^|\s)) 似乎可以解决问题。 (?<= ) 是一个积极的后视，确保在主要表达式之前存在某些东西。 (?: ) 是一个非捕获组，因此在以后使用的任何匹配项中都不会引用此部分。如果未设置多行标志，^ 将匹配字符串的开头；如果设置了多行标志，则\s 将匹配空白字符（空格/制表符/换行符）。

因此将它们一起使用，它看起来像：

/(?<=(?:^|\s))\pLetter*/u

如果您想仅将重音字符匹配到字符串的开头，则需要 a-zA-Z 的否定字符集。

/(?<=(?:^|\s))[^a-zA-Z]\pLetter*/u.match("bœ") // false
/(?<=(?:^|\s))[^a-zA-Z]\pLetter*/u.match("œb") // true

// Match characters, accented or not
let regex = /\pLetter+$/u;

console.log(regex.test("œb")); // true
console.log(regex.test("bœb")); // true
console.log(regex.test("àbby")); // true
console.log(regex.test("à3")); // false
console.log(regex.test("16 tons")); // true
console.log(regex.test("3 œ")); // true

console.log('-----');

// Match characters to start of line, only match characters

regex = /(?<=(?:^|\s))\pLetter+$/u;

console.log(regex.test("œb")); // true
console.log(regex.test("bœb")); // true
console.log(regex.test("àbby")); // true
console.log(regex.test("à3")); // false

console.log('----');

// Match accented character to start of word, only match characters

regex = /(?<=(?:^|\s))[^a-zA-Z]\pLetter+$/u;

console.log(regex.test("œb")); // true
console.log(regex.test("bœb")); // false
console.log(regex.test("àbby")); // true
console.log(regex.test("à3")); // false

【讨论】：

这是迄今为止最好的答案 - 当前的答案漏掉了很多字母并且包括非字母字符。我添加了指向 MDN 页面的链接。