CKTIS / JavaScript
Intl.Segmenter: segment() a isWordLike
Rozděl text podle jazykového nastavení a pomocí `isWordLike` odliš úseky považované za slova od ostatních úseků ve výsledku.
Verze: ECMAScript 2024 and the current web platform; runtime support varies
Syntaxe
const segmenter = new Intl.Segmenter(locales, { granularity: "word" });
const segments = segmenter.segment(input);
for (const { segment, index, input: source, isWordLike } of segments) {
// Use the segment data here.
}segment(input) je metoda instance Intl.Segmenter. Vrací nový iterovatelný objekt Segments, nikoli pole. Hranice úseků závisí na skutečně použitém jazykovém nastavení a na úrovni dělení zvolené v konstruktoru: "grapheme" (výchozí, pro grafémové shluky), "word" nebo "sentence". Metoda převede argument na řetězec. Argument typu Symbol nebo neplatná hodnota this způsobí chybu TypeError.
Každý objekt získaný iterací obsahuje segment (podřetězec), index (jeho počáteční index od nuly v kódových jednotkách UTF-16) a input (celý převedený řetězec). Koncový index, který už do úseku nepatří, je index + segment.length. Index neudává počet viditelných znaků.
Pouze v režimu "word" má každý objekt booleovskou vlastnost isWordLike: true znamená, že se úsek považuje za slovo, a false, že ne. Mezery a interpunkce ve výsledku obvykle zůstávají s hodnotou false. Pokud chceš pouze úseky považované za slova, objekty vyfiltruj. V ostatních režimech vlastnost chybí, nemá hodnotu false.
Toto API definuje vydání ECMAScript 2024 specifikace ECMA-402, jeho podpora se však liší podle běhového prostředí. Hranice i klasifikace se mohou lišit podle jazykového nastavení a implementace. Nepředpokládej shodné výsledky ve všech prostředích.
Příklady
const segmenter = new Intl.Segmenter("en", { granularity: "word" });
const words = [];
for (const { segment, index, isWordLike } of segmenter.segment("Hi, Sam!")) {
console.log(JSON.stringify([index, segment, isWordLike]));
if (isWordLike) words.push(segment);
}
console.log(JSON.stringify(words));Výsledek
[0,"Hi",true] [2,",",false] [3," ",false] [4,"Sam",true] [7,"!",false] ["Hi","Sam"]
Prvních pět řádků ukazuje index, podřetězec a jeho klasifikaci, a to i pro mezeru a interpunkci. Poslední řádek obsahuje pouze úseky označené jako `true`. Jde o očekávaný výstup pro tento anglický text, nikoli o záruku pro každé prostředí.
Související lekce
- JavaScript · Lekce 24 · Pokročilá · Verze: 4
Zdroje
- ECMAScript® 2024 Internationalization API Specification — Intl.Segmenter.prototype.segment
- ECMAScript® 2024 Internationalization API Specification — CreateSegmentDataObject
- ECMAScript Internationalization API Specification — FindBoundary
- Intl.Segmenter.prototype.segment() — MDN
- Intl.Segmenter() constructor — MDN