正则表达式匹配字母 - 包括非拉丁语，但不包括表情符号

Question

我需要一个能与任何语言中的单词匹配的javascript正则表达式，但对于表情符号或任何其他字符都是失败的。解决方法：Regular expression to match non-English characters?匹配所有字母加上象形图和表情符号（[^\u0000-\u007F]+）。

稍微修改它似乎可以实现我的需要，但我不确定它的安全性：([a-zA-Z]|[^\u0000-\u007F\u200d-\u3299\ud83c-\udfff\ufe0e\ufe0f])+

实施例： America Österreich Россия Ελλάδα

只应匹配字母并在表情符号前停止。不应将表情符号与字母表示匹配，例如：1️⃣#️⃣*️⃣

相关：http://www.unicode.org/Public/emoji/5.0/emoji-variation-sequences.txt

背景： 我试图修补此解析器：https://github.com/Khan/simple-markdown/blob/master/simple-markdown.js#L1304以打破表情符号，因为它目前匹配尽可能多的文本。没有匹配/替换表情符号通过该解析器是有问题的。从突出显示的正则表达式中删除\u00c0-\uffff可以完成我的需要，但是解析器会开始分解单词。有些语言（cyrrillic）每个字母都会被破坏，这对性能不利。我需要修补正则表达式以允许字母，但不是表情符号，或者放置一个捕获所有文本的正则表达式。

编辑：添加了一些示例

编辑：添加语言限制

Answer 1

我在这里找到了一个解决方案：https://mathiasbynens.be/notes/es-unicode-property-escapes#word

基本上/[\p{Alphabetic}\p{Mark}\p{Decimal_Number}\p{Connector_Punctuation}\p{Join_Control}]/u给定Unicode属性转义支持。

在JavaScript中原生支持\p之前，您可以transpile this regex。

Answer 2

\pL匹配Unicode字母。

您可能希望将该Unicode类别与\p{Pc}（连接符标点符号）结合使用，以便通过使用字符类来捕获it's或doesn't等单词组合：[\pL\p{Pc}] < / p>