CKTIS / JavaScript
Propriedades Unicode em expressões regulares: L, M, N, Lu e Lt
Encontra letras, marcas combinantes e caracteres numéricos de vários sistemas de escrita e distingue letras maiúsculas de letras na forma de título.
Versão: ECMAScript 2024 and the current web platform; runtime support varies
Sintaxe
/\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")Em JavaScript, \p{…} encontra pontos de código com base numa propriedade Unicode. L, M, N, Lu e Lt são valores abreviados de General_Category, não nomes de sistemas de escrita. \p{L}, \p{Letter} e \p{General_Category=Letter} são equivalentes. Os nomes e os aliases distinguem maiúsculas de minúsculas: /\p{lu}/u provoca um SyntaxError.
\p{L} (Letter) abrange letras de vários sistemas de escrita, incluindo as que não distinguem maiúsculas de minúsculas. \p{Lu} (Uppercase_Letter) e \p{Lt} (Titlecase_Letter) são subcategorias disjuntas de L: A pertence a Lu e Dž a Lt. Lt classifica um ponto de código individual, não uma palavra com maiúscula inicial. Omite i quando a pesquisa tiver de preservar as distinções entre formas das letras, como maiúsculas e minúsculas.
\p{M} (Mark) inclui marcas combinantes, como U+0301, o acento agudo codificado separadamente depois de e. Uma expressão regular não normaliza o texto: é codificado como U+00E9 não contém um ponto de código M separado. Normaliza o texto antes da pesquisa se precisares de uma representação uniforme para textos canonicamente equivalentes. \p{N} (Number) inclui ٢ e ½; \p{Nd} limita-se aos algarismos decimais e \d aos algarismos ASCII de 0 a 9.
Usa u ou v, nunca as duas opções em simultâneo. Sem nenhuma delas, \p e \P não verificam propriedades Unicode. Sem i, \P{L} corresponde a um ponto de código fora de L, enquanto [\p{L}\p{M}\p{N}]+ corresponde a uma sequência de um ou mais pontos de código de qualquer uma dessas categorias, não necessariamente a toda a entrada. A ECMAScript 2024 define ambos os modos, mas o suporte depende do ambiente de execução.
Exemplos
{
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(" ")}`);
}
}Resultado
L: U+0041 U+01C5 U+732B U+0065 M: U+0301 N: U+0662 U+00BD Lu: U+0041 Lt: U+01C5
A opção `g` recolhe todas as correspondências. A notação `U+…` torna visível a marca combinante isolada, e as linhas separadas `L`, `Lu` e `Lt` mostram que categorias se sobrepõem.
Lições relacionadas
- JavaScript · Lição 10 · Avançado · Versão: 4
Fontes
- 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