Base de conhecimentoCentro de Exames
PT · PTPortuguês (Portugal)
Escolher idioma13

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