CKTIS / JavaScript
Vlastnosti Unicode v regulárnych výrazoch: L, M, N, Lu a Lt
Vyhľadávajte písmená, kombinačné značky a číselné znaky z rôznych písem a rozlišujte veľké písmená od písmen v titulkovom tvare.
Verzia: 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")V JavaScripte zápis \p{…} vyhľadáva kódové body podľa vlastnosti Unicode. L, M, N, Lu a Lt sú skrátené hodnoty General_Category, nie názvy písem. \p{L}, \p{Letter} a \p{General_Category=Letter} znamenajú to isté. Pri názvoch a aliasoch záleží na veľkosti písmen: /\p{lu}/u spôsobí SyntaxError.
\p{L} (Letter) zahŕňa písmená rôznych písem vrátane tých, ktoré nerozlišujú veľké a malé písmená. \p{Lu} (Uppercase_Letter) a \p{Lt} (Titlecase_Letter) sú neprekrývajúce sa podkategórie L: A patrí do Lu a Dž do Lt. Lt klasifikuje jeden kódový bod, nie slovo začínajúce veľkým písmenom. Ak má vyhľadávanie zachovať rozdiely medzi veľkostnými podobami písmen, nepoužívajte i.
\p{M} (Mark) zahŕňa kombinačné značky, napríklad U+0301, dĺžeň zakódovaný samostatne za e. Regulárny výraz text nenormalizuje: é zakódované ako U+00E9 neobsahuje samostatný kódový bod M. Ak potrebujete jednotný zápis kanonicky ekvivalentného textu, pred vyhľadávaním ho normalizujte. \p{N} (Number) zahŕňa ٢ aj ½; \p{Nd} iba desiatkové číslice a \d iba číslice ASCII od 0 do 9.
Použite príznak u alebo v, nikdy oba naraz. Bez nich \p ani \P netestujú vlastnosti Unicode. Bez i zodpovedá \P{L} jednému kódovému bodu mimo L, zatiaľ čo [\p{L}\p{M}\p{N}]+ vyhľadá postupnosť jedného alebo viacerých kódových bodov z týchto kategórií, nie nevyhnutne celý vstup. ECMAScript 2024 definuje oba režimy, ale ich podpora závisí od prostredia vykonávania.
Príklady
{
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(" ")}`);
}
}Výsledok
L: U+0041 U+01C5 U+732B U+0065 M: U+0301 N: U+0662 U+00BD Lu: U+0041 Lt: U+01C5
Príznak `g` nájde všetky zhody. Zápis `U+…` zviditeľní samostatnú kombinačnú značku a osobitné riadky `L`, `Lu` a `Lt` ukazujú, ktoré kategórie sa prekrývajú.
Súvisiace lekcie
- JavaScript · Lekcia 10 · Pokročilá · Verzia: 4
Zdroje
- 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