CKTIS / JavaScript
Vlastnosti Unicode v regulárních výrazech: L, M, N, Lu a Lt
Vyhledávejte písmena, kombinační značky a číselné znaky z různých písem a rozlišujte velká písmena od písmen v titulkové podobě.
Verze: ECMAScript 2024 and the current web platform; runtime support varies
Syntaxe
/\p{L}/u
/\p{M}/u
/\p{N}/u
/\p{Lu}/u
/\p{Lt}/u
/\p{General_Category=Letter}/u
/\P{L}/u
/[\p{L}\p{M}\p{N}]+/gu
/\p{L}/v
new RegExp("\\p{L}", "u")V JavaScriptu zápis \p{…} vyhledává kódové body podle vlastnosti Unicode. L, M, N, Lu a Lt jsou zkrácené hodnoty General_Category, nikoli názvy písem. \p{L}, \p{Letter} a \p{General_Category=Letter} znamenají totéž. U názvů a aliasů záleží na velikosti písmen: /\p{lu}/u způsobí SyntaxError.
\p{L} (Letter) zahrnuje písmena různých písem, včetně těch, která nerozlišují velká a malá písmena. \p{Lu} (Uppercase_Letter) a \p{Lt} (Titlecase_Letter) jsou nepřekrývající se podkategorie L: A patří do Lu a Dž do Lt. Lt třídí jednotlivý kódový bod, nikoli slovo začínající velkým písmenem. Chcete-li při hledání zachovat rozdíly mezi velikostními podobami písmen, nepoužívejte i.
\p{M} (Mark) zahrnuje kombinační značky, například U+0301, čárku zakódovanou samostatně za e. Regulární výraz text nenormalizuje: é zakódované jako U+00E9 neobsahuje samostatný kódový bod M. Pokud potřebujete jednotný zápis kanonicky ekvivalentního textu, před hledáním jej normalizujte. \p{N} (Number) zahrnuje ٢ i ½; \p{Nd} zahrnuje pouze desítkové číslice a \d jen číslice ASCII od 0 do 9.
Použijte příznak u nebo v, nikdy oba současně. Bez nich \p a \P vlastnosti Unicode netestují. Bez i odpovídá \P{L} jednomu kódovému bodu mimo L, zatímco [\p{L}\p{M}\p{N}]+ vyhledá posloupnost jednoho nebo více kódových bodů z těchto kategorií, nikoli nutně celý vstup. ECMAScript 2024 definuje oba režimy, jejich podpora ale závisí na běhovém prostředí.
Příklady
{
const text = "ADž猫e\u0301٢½!";
const categories = [
["L", /\p{L}/gu],
["M", /\p{M}/gu],
["N", /\p{N}/gu],
["Lu", /\p{Lu}/gu],
["Lt", /\p{Lt}/gu],
];
for (const [category, pattern] of categories) {
const points = (text.match(pattern) ?? []).map((char) =>
"U+" + char.codePointAt(0).toString(16).toUpperCase().padStart(4, "0")
);
console.log(`${category}: ${points.join(" ")}`);
}
}Výsledek
L: U+0041 U+01C5 U+732B U+0065 M: U+0301 N: U+0662 U+00BD Lu: U+0041 Lt: U+01C5
Příznak `g` najde všechny výskyty. Zápis `U+…` zviditelní samostatnou kombinační značku a oddělené řádky `L`, `Lu` a `Lt` ukazují, které kategorie se překrývají.
Související lekce
- JavaScript · Lekce 10 · Pokročilá · Verze: 4
Zdroje
- ECMAScript® 2024 Language Specification — Patterns
- ECMAScript® 2022 Language Specification — Value aliases and canonical values for the Unicode property General_Category
- ECMAScript® 2024 Language Specification — String.prototype.normalize
- Unicode character class escape: \p{...}, \P{...} — JavaScript | MDN
- RegExp.prototype.unicodeSets — JavaScript | MDN