CKTIS / JavaScript
Unicode-eigenschappen in reguliere expressies: L, M, N, Lu en Lt
Vind letters, combinerende tekens en numerieke tekens uit verschillende schriften en onderscheid hoofdletters van letters in titelvorm.
Versie: 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 zoekt \p{…} codepunten op basis van een Unicode-eigenschap. L, M, N, Lu en Lt zijn verkorte waarden van General_Category, geen namen van schriften. \p{L}, \p{Letter} en \p{General_Category=Letter} betekenen hetzelfde. Namen en aliassen zijn hoofdlettergevoelig: /\p{lu}/u geeft een SyntaxError.
\p{L} (Letter) omvat letters uit verschillende schriften, ook letters zonder onderscheid tussen hoofdletters en kleine letters. \p{Lu} (Uppercase_Letter) en \p{Lt} (Titlecase_Letter) zijn twee subcategorieën van L zonder overlap: A valt onder Lu, Dž onder Lt. Lt classificeert één codepunt, niet een woord met een hoofdletter aan het begin. Laat i weg als het onderscheid tussen lettervormen behouden moet blijven.
\p{M} (Mark) omvat combinerende tekens zoals U+0301, het accent aigu dat apart na e is gecodeerd. Een reguliere expressie normaliseert tekst niet: é als U+00E9 bevat geen apart M-codepunt. Normaliseer vóór het zoeken als canoniek equivalente tekst dezelfde representatie moet krijgen. \p{N} (Number) omvat ٢ en ½; \p{Nd} is beperkt tot decimale cijfers en \d tot de ASCII-cijfers 0 tot en met 9.
Gebruik u of v, nooit allebei. Zonder een van die vlaggen toetsen \p en \P niet op Unicode-eigenschappen. Zonder i komt \P{L} overeen met één codepunt buiten L, terwijl [\p{L}\p{M}\p{N}]+ een reeks van een of meer codepunten uit die categorieën vindt, niet noodzakelijk de hele invoer. ECMAScript 2024 definieert beide modi, maar de ondersteuning verschilt per runtime.
Voorbeelden
{
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(" ")}`);
}
}Resultaat
L: U+0041 U+01C5 U+732B U+0065 M: U+0301 N: U+0662 U+00BD Lu: U+0041 Lt: U+01C5
De vlag `g` verzamelt alle overeenkomsten. De notatie `U+…` maakt het losse combinerende teken zichtbaar en de afzonderlijke regels voor `L`, `Lu` en `Lt` laten zien welke categorieën elkaar overlappen.
Gerelateerde lessen
- JavaScript · Les 10 · Gevorderd · Versie: 4
Bronnen
- 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