Question

字素是文本中用户可感知的字符，用unicode可能包含几个代码点。

重要的是要认识到用户所认为的 “字符”（一种语言的书写系统的基本单元）可能不是只是一个Unicode代码点。相反，可以制造该基本单元多个Unicode代码点。为了避免与计算机使用术语“字符”，这称为用户感知的字符。例如，“ G” +重音是用户感知的字符：用户将其视为单个字符，但实际上由两个Unicode代码点表示。这些用户认为字符由所谓的字素簇近似，可以通过编程确定。

是否可以使用正则表达式（在javascript中）来匹配单个字素簇？例如

"한bar".match(/*?*/)[0] === "한"
"நிbaz".match(/*?*/)[0] === "நி"
"aa".match(/*?*/)[0] === "a"
"\r\n".match(/*?*/)[0] === "\r\n"
"‍♂️foo".match(/*?*/)[0] === "‍♂️"

Answer 1

全面，易于使用的集成支持：否。各种匹配任务的近似值：是。来自regex tutorial：

在Perl，PCRE，PHP，Boost，Ruby 2.0，Java 9和Just Great Software应用程序中，匹配单个字形（无论是作为单个代码点编码，还是使用组合标记编码为多个代码点）都很容易：只需使用\ X。您可以将\ X视为点的Unicode版本。但是，有一个区别：\ X总是匹配换行符，而点不匹配换行符，除非您启用了点匹配换行符匹配模式。

在.NET，Java 8和更低版本以及Ruby 1.9中，您可以使用\ P {M} \ p {M} +或（？> \ P {M} \ p {M} ）作为合理的替代品。要匹配任意数量的字素，请使用（？> \ P {M} \ p {M} *）+代替\ X +。

\X是最近的，并且在ES6的任何版本中都不存在。 \P{M}\p{M}+近似于\X，但不以这种形式存在：如果通过本机或转译获得ES6，则可以使用/(\P{Mark})(\p{Mark}+)/gu。

但that isn't sufficient仍然如此。 <==阅读该链接以获取所有血腥细节。

A proposal to segment text已被提出，但尚未被采纳。如果您专用于Chrome，则可以使用其非标准的Intl.v8BreakIterator来破坏群集并手动进行匹配。

是否存在与单个字素簇匹配的正则表达式？

1 个答案: