KennisbankExamencentrum
NL · NLNederlands (Nederland)
Taal kiezen13

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