CKTIS / JavaScript
Unicode-Eigenschaften in regulären Ausdrücken: L, M, N, Lu und Lt
Erfasse Buchstaben, kombinierende Zeichen und Zahlzeichen aus verschiedenen Schriften und unterscheide Großbuchstaben von Buchstaben in Titelform.
Version: ECMAScript 2024 and the current web platform; runtime support varies
Syntax
/\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")In JavaScript erfasst \p{…} Codepunkte anhand einer Unicode-Eigenschaft. L, M, N, Lu und Lt sind Kurzformen für Werte von General_Category, keine Schriftnamen. \p{L}, \p{Letter} und \p{General_Category=Letter} sind gleichbedeutend. Bei Namen und Aliasen zählt die Groß- und Kleinschreibung: /\p{lu}/u führt zu einem SyntaxError.
\p{L} (Letter) umfasst Buchstaben verschiedener Schriften, auch solche ohne Groß- und Kleinschreibung. \p{Lu} (Uppercase_Letter) und \p{Lt} (Titlecase_Letter) sind disjunkte Unterkategorien von L: A gehört zu Lu, Dž zu Lt. Lt klassifiziert einen einzelnen Codepunkt, kein Wort mit großem Anfangsbuchstaben. Lass i weg, wenn die Groß- und Kleinschreibung beim Abgleich unterschieden werden soll.
\p{M} (Mark) umfasst kombinierende Zeichen wie U+0301, den separat nach e codierten Akut. Ein regulärer Ausdruck normalisiert Text nicht: Bei é als U+00E9 gibt es keinen separaten M-Codepunkt. Normalisiere den Text vor dem Abgleich, wenn kanonisch äquivalenter Text einheitlich dargestellt werden soll. \p{N} (Number) umfasst ٢ und ½; \p{Nd} erfasst nur Dezimalziffern und \d nur die ASCII-Ziffern 0 bis 9.
Verwende u oder v, niemals beide zugleich. Ohne diese Flags prüfen \p und \P keine Unicode-Eigenschaften. Ohne i erfasst \P{L} einen Codepunkt außerhalb von L, während [\p{L}\p{M}\p{N}]+ eine Folge aus einem oder mehreren Codepunkten dieser Kategorien erfasst, nicht zwingend die gesamte Eingabe. ECMAScript 2024 definiert beide Modi, die Unterstützung hängt aber von der Laufzeitumgebung ab.
Beispiele
{
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(" ")}`);
}
}Ergebnis
L: U+0041 U+01C5 U+732B U+0065 M: U+0301 N: U+0662 U+00BD Lu: U+0041 Lt: U+01C5
Das Flag `g` sammelt alle Treffer. Die Schreibweise `U+…` macht das einzelne kombinierende Zeichen sichtbar, und die getrennten Zeilen für `L`, `Lu` und `Lt` zeigen, welche Kategorien sich überschneiden.
Zugehörige Lektionen
- JavaScript · Lektion 10 · Fortgeschritten · Version: 4
Quellen
- 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