带有\b和国际字符的Javascript正则表达式问题

Posted 2023-02-22

【中文标题】带有\\b和国际字符的Javascript正则表达式问题

【英文标题】：Javascript regular expression problem with \b and international characters带有\b和国际字符的Javascript正则表达式问题

【发布时间】：2011-07-15 18:14:20

【问题描述】：

我在使用简单的正则表达式匹配时遇到了很多问题。

我有这个带有重音字符的字符串（这只是一个例子）"Botó Entrepà Nadó Facebook! "，我想使用另一个列表中的单词来匹配单词。

这是我的代码的简化版本。例如匹配“Botó”

var matchExpr = new RegExp ('\\b' + 'Botó' + '\\b','i'); 
"Botó Entrepà Nadó Facebook! ".match(matchExpr);

如果我运行它，它与预期的“Botó”不匹配（Firefox、IE 和 Chrome）。

我认为这是我这边的错误。但乐趣来了……

如果我像这样修改"Botón Entrepà Nadó Facebook! " 的字符串（注意“Botó”之后的“n”）并运行相同的代码：

var matchExpr = new RegExp ('\\b' + 'Botó' + '\\b','i'); 
"Botón Entrepà Nadó Facebook! ".match(matchExpr);

匹配“Botó”！！！！？？？？？？ （至少在 Firefox 中）。 这对我来说没有意义，因为“n”不是单词边界（与\b 匹配）。

如果你尝试匹配整个单词：

var matchExpr = new RegExp ('\\b' + 'Botón' + '\\b','i'); 
"Botón Entrepà Nadó Facebook! ".match(matchExpr);

有效。

为了让它更奇怪一点，我们在末尾添加了另一个重音字母。

var matchExpr = new RegExp ('\\b' + 'Botóñ' + '\\b','i'); 
"Botóñ Entrepà Nadó Facebook! ".match(matchExpr);

如果我们尝试匹配它，它不会匹配任何东西。但是，如果我们试试这个

var matchExpr = new RegExp ('\\b' + 'Botóñ' + '\\b','i'); 
"Botóña Entrepà Nadó Facebook! ".match(matchExpr);

它匹配“Botóñ”。这是错误的。

如果我们尝试匹配“Facebook”，它会按预期工作。 如果您尝试在中间匹配带有重音的单词，它会按预期工作。 但是，如果您尝试匹配末尾带有重音的单词，则会失败。

我做错了什么？这是预期的行为吗？

【参考方案1】：

不幸的是，javascript 中的速记字符类不支持 unicode（甚至是高位 ASCII）。

看看这个问题的答案：Javascript + Unicode。这篇文章链接在那个问题JavaScript, Regex, and Unicode 中，说\b 是由一个单词边界定义的，它被定义为：

→ 单词字符 - 字符 A-Z， 仅限 a-z、0-9 和 _。 → 单词边界——单词字符之间的位置 和非单词字符。

因此，它适用于结尾带有 A-Z, a-z, 0-9, and _ 的单词，但不适用于结尾带有重音字符的单词。

【讨论】：

所以它适用于结尾有重音的单词，但不适用于结尾有重音的单词。 ?

至少在 Chromium 中，.toUpperCase() 和 .toLowerCase() 似乎对 unicode 非常友好，所以理论上 c.toUpperCase() != c || c.toLowerCase() != c 应该对属于“大小写字母”的字符进行测试（仍然没有'不涵盖所有“单词边界”。）是否有一些官方主列表或数据库，其中 unicode 字形应被视为 alpha？

【参考方案2】：

来自 ES3 规范：

内部辅助函数 IsWordChar 采用整数参数 e 并执行以下操作：

如果 e == –1 或 e == InputLength，则返回 false。 设 c 为字符 Input[e]。

如果 c 是下表中的 63 个字符之一，则返回 true。

a b c d e f g h i j k l m n o p q r s t u v w x y z
A B C D E F G H I J K L M N O P Q R S T U V W X Y Z
0 1 2 3 4 5 6 7 8 9 _

返回 false。

“IsWordChar()”内部（可能是假设的）函数是“\b”断言的行为基础。

edit — 在 ES5 中也好不到哪里去。