Regulärer Ausdruck für Nicht-ASCII-Zeichen?

237

Was ist der einfachste Weg, um Nicht-ASCII-Zeichen in einem regulären Ausdruck abzugleichen? Ich möchte alle Wörter einzeln in einer Eingabezeichenfolge abgleichen, aber die Sprache ist möglicherweise nicht Englisch, daher muss ich Dinge wie ü, ö, ß und ñ abgleichen. Dies ist auch in Javascript / jQuery der Fall, daher muss jede Lösung darauf angewendet werden.

Paul Wicks
quelle
1
Möchten Sie alle Buchstaben oder alle Zeichen abgleichen? Möchten Sie beispielsweise Interpunktion, Ziffern, Leerzeichen und beliebige Zeichen und Symbole einfügen? Wenn Sie sagen, dass Sie übereinstimmen möchten, all wordsklingt es so, als ob Sie nur nicht englische Buchstaben und nicht alle nicht englischen Zeichen möchten, wie in Ihrem Fragentitel angegeben.
Hippietrail

Antworten:

253

Dies sollte es tun:

[^\x00-\x7F]+

Es entspricht jedem Zeichen, das nicht im ASCII-Zeichensatz enthalten ist (0-127, dh 0x0 bis 0x7F).

Mit Unicode können Sie dasselbe tun:

[^\u0000-\u007F]+

Für Unicode können Sie sich diese 2 Ressourcen ansehen:

  • Codediagramme Liste der Unicode-Bereiche
  • Dieses Tool zum Erstellen eines nach Unicode-Block gefilterten regulären Ausdrucks.
Jeremy Ruten
quelle
28
Dies beantwortet nicht diese Frage über übereinstimmende Wörter mit nicht-englischen Zeichen ...
etw
34
Es gibt kein "Zeichen, dessen ASCII-Code größer als 128 ist" !!!
Tchrist
29
Am Ende habe ich [\u00BF-\u1FFF\u2C00-\uD7FF\w]als Brief definiert.
Markus von Broady
24
@jackocnr Zuerst eine kleine Korrektur: [\u00C0-\u1FFF\u2C00-\uD7FF\w](ohne umgekehrtes Fragezeichen ¿) Beziehen Sie sich für Bereiche auf BMP . 00C0ist Àin Latin-1 Supplement , 1FFFist das letzte Zeichen von Greek Extended, 2C00ist der erste Buchstabe in Glagolitic und D7FFist das letzte Zeichen in Hangul Jamo Extended-B. Es ist also alles außer: Symbolen und Sonderzeichen auf 2 ersten Blöcken; Symbole in mittleren Blöcken; Surrogate, Priv-Bereich und Sonderzeichen in Endblöcken.
Markus von Broady
7
Diese Antwort ist falsch. ASCII enthält kein U + 0080 PADDING CHARACTER * . Wenn dies der
Fall
159
var words_in_text = function (text) {
    var regex = /([\u0041-\u005A\u0061-\u007A\u00AA\u00B5\u00BA\u00C0-\u00D6\u00D8-\u00F6\u00F8-\u02C1\u02C6-\u02D1\u02E0-\u02E4\u02EC\u02EE\u0370-\u0374\u0376\u0377\u037A-\u037D\u0386\u0388-\u038A\u038C\u038E-\u03A1\u03A3-\u03F5\u03F7-\u0481\u048A-\u0527\u0531-\u0556\u0559\u0561-\u0587\u05D0-\u05EA\u05F0-\u05F2\u0620-\u064A\u066E\u066F\u0671-\u06D3\u06D5\u06E5\u06E6\u06EE\u06EF\u06FA-\u06FC\u06FF\u0710\u0712-\u072F\u074D-\u07A5\u07B1\u07CA-\u07EA\u07F4\u07F5\u07FA\u0800-\u0815\u081A\u0824\u0828\u0840-\u0858\u08A0\u08A2-\u08AC\u0904-\u0939\u093D\u0950\u0958-\u0961\u0971-\u0977\u0979-\u097F\u0985-\u098C\u098F\u0990\u0993-\u09A8\u09AA-\u09B0\u09B2\u09B6-\u09B9\u09BD\u09CE\u09DC\u09DD\u09DF-\u09E1\u09F0\u09F1\u0A05-\u0A0A\u0A0F\u0A10\u0A13-\u0A28\u0A2A-\u0A30\u0A32\u0A33\u0A35\u0A36\u0A38\u0A39\u0A59-\u0A5C\u0A5E\u0A72-\u0A74\u0A85-\u0A8D\u0A8F-\u0A91\u0A93-\u0AA8\u0AAA-\u0AB0\u0AB2\u0AB3\u0AB5-\u0AB9\u0ABD\u0AD0\u0AE0\u0AE1\u0B05-\u0B0C\u0B0F\u0B10\u0B13-\u0B28\u0B2A-\u0B30\u0B32\u0B33\u0B35-\u0B39\u0B3D\u0B5C\u0B5D\u0B5F-\u0B61\u0B71\u0B83\u0B85-\u0B8A\u0B8E-\u0B90\u0B92-\u0B95\u0B99\u0B9A\u0B9C\u0B9E\u0B9F\u0BA3\u0BA4\u0BA8-\u0BAA\u0BAE-\u0BB9\u0BD0\u0C05-\u0C0C\u0C0E-\u0C10\u0C12-\u0C28\u0C2A-\u0C33\u0C35-\u0C39\u0C3D\u0C58\u0C59\u0C60\u0C61\u0C85-\u0C8C\u0C8E-\u0C90\u0C92-\u0CA8\u0CAA-\u0CB3\u0CB5-\u0CB9\u0CBD\u0CDE\u0CE0\u0CE1\u0CF1\u0CF2\u0D05-\u0D0C\u0D0E-\u0D10\u0D12-\u0D3A\u0D3D\u0D4E\u0D60\u0D61\u0D7A-\u0D7F\u0D85-\u0D96\u0D9A-\u0DB1\u0DB3-\u0DBB\u0DBD\u0DC0-\u0DC6\u0E01-\u0E30\u0E32\u0E33\u0E40-\u0E46\u0E81\u0E82\u0E84\u0E87\u0E88\u0E8A\u0E8D\u0E94-\u0E97\u0E99-\u0E9F\u0EA1-\u0EA3\u0EA5\u0EA7\u0EAA\u0EAB\u0EAD-\u0EB0\u0EB2\u0EB3\u0EBD\u0EC0-\u0EC4\u0EC6\u0EDC-\u0EDF\u0F00\u0F40-\u0F47\u0F49-\u0F6C\u0F88-\u0F8C\u1000-\u102A\u103F\u1050-\u1055\u105A-\u105D\u1061\u1065\u1066\u106E-\u1070\u1075-\u1081\u108E\u10A0-\u10C5\u10C7\u10CD\u10D0-\u10FA\u10FC-\u1248\u124A-\u124D\u1250-\u1256\u1258\u125A-\u125D\u1260-\u1288\u128A-\u128D\u1290-\u12B0\u12B2-\u12B5\u12B8-\u12BE\u12C0\u12C2-\u12C5\u12C8-\u12D6\u12D8-\u1310\u1312-\u1315\u1318-\u135A\u1380-\u138F\u13A0-\u13F4\u1401-\u166C\u166F-\u167F\u1681-\u169A\u16A0-\u16EA\u1700-\u170C\u170E-\u1711\u1720-\u1731\u1740-\u1751\u1760-\u176C\u176E-\u1770\u1780-\u17B3\u17D7\u17DC\u1820-\u1877\u1880-\u18A8\u18AA\u18B0-\u18F5\u1900-\u191C\u1950-\u196D\u1970-\u1974\u1980-\u19AB\u19C1-\u19C7\u1A00-\u1A16\u1A20-\u1A54\u1AA7\u1B05-\u1B33\u1B45-\u1B4B\u1B83-\u1BA0\u1BAE\u1BAF\u1BBA-\u1BE5\u1C00-\u1C23\u1C4D-\u1C4F\u1C5A-\u1C7D\u1CE9-\u1CEC\u1CEE-\u1CF1\u1CF5\u1CF6\u1D00-\u1DBF\u1E00-\u1F15\u1F18-\u1F1D\u1F20-\u1F45\u1F48-\u1F4D\u1F50-\u1F57\u1F59\u1F5B\u1F5D\u1F5F-\u1F7D\u1F80-\u1FB4\u1FB6-\u1FBC\u1FBE\u1FC2-\u1FC4\u1FC6-\u1FCC\u1FD0-\u1FD3\u1FD6-\u1FDB\u1FE0-\u1FEC\u1FF2-\u1FF4\u1FF6-\u1FFC\u2071\u207F\u2090-\u209C\u2102\u2107\u210A-\u2113\u2115\u2119-\u211D\u2124\u2126\u2128\u212A-\u212D\u212F-\u2139\u213C-\u213F\u2145-\u2149\u214E\u2183\u2184\u2C00-\u2C2E\u2C30-\u2C5E\u2C60-\u2CE4\u2CEB-\u2CEE\u2CF2\u2CF3\u2D00-\u2D25\u2D27\u2D2D\u2D30-\u2D67\u2D6F\u2D80-\u2D96\u2DA0-\u2DA6\u2DA8-\u2DAE\u2DB0-\u2DB6\u2DB8-\u2DBE\u2DC0-\u2DC6\u2DC8-\u2DCE\u2DD0-\u2DD6\u2DD8-\u2DDE\u2E2F\u3005\u3006\u3031-\u3035\u303B\u303C\u3041-\u3096\u309D-\u309F\u30A1-\u30FA\u30FC-\u30FF\u3105-\u312D\u3131-\u318E\u31A0-\u31BA\u31F0-\u31FF\u3400-\u4DB5\u4E00-\u9FCC\uA000-\uA48C\uA4D0-\uA4FD\uA500-\uA60C\uA610-\uA61F\uA62A\uA62B\uA640-\uA66E\uA67F-\uA697\uA6A0-\uA6E5\uA717-\uA71F\uA722-\uA788\uA78B-\uA78E\uA790-\uA793\uA7A0-\uA7AA\uA7F8-\uA801\uA803-\uA805\uA807-\uA80A\uA80C-\uA822\uA840-\uA873\uA882-\uA8B3\uA8F2-\uA8F7\uA8FB\uA90A-\uA925\uA930-\uA946\uA960-\uA97C\uA984-\uA9B2\uA9CF\uAA00-\uAA28\uAA40-\uAA42\uAA44-\uAA4B\uAA60-\uAA76\uAA7A\uAA80-\uAAAF\uAAB1\uAAB5\uAAB6\uAAB9-\uAABD\uAAC0\uAAC2\uAADB-\uAADD\uAAE0-\uAAEA\uAAF2-\uAAF4\uAB01-\uAB06\uAB09-\uAB0E\uAB11-\uAB16\uAB20-\uAB26\uAB28-\uAB2E\uABC0-\uABE2\uAC00-\uD7A3\uD7B0-\uD7C6\uD7CB-\uD7FB\uF900-\uFA6D\uFA70-\uFAD9\uFB00-\uFB06\uFB13-\uFB17\uFB1D\uFB1F-\uFB28\uFB2A-\uFB36\uFB38-\uFB3C\uFB3E\uFB40\uFB41\uFB43\uFB44\uFB46-\uFBB1\uFBD3-\uFD3D\uFD50-\uFD8F\uFD92-\uFDC7\uFDF0-\uFDFB\uFE70-\uFE74\uFE76-\uFEFC\uFF21-\uFF3A\uFF41-\uFF5A\uFF66-\uFFBE\uFFC2-\uFFC7\uFFCA-\uFFCF\uFFD2-\uFFD7\uFFDA-\uFFDC]+)/g;
    return text.match(regex);
};

words_in_text('Düsseldorf, Köln, Москва, 北京市, إسرائيل !@#$');

// returns array ["Düsseldorf", "Köln", "Москва", "北京市", "إسرائيل"]

Dieser reguläre Ausdruck passt zu allen Wörtern im Text einer beliebigen Sprache ...

rjanjic
quelle
61
Diese Hexerei, die Sie mit uns geteilt haben ...: v
Luke Madhanga
9
Warum bist du dir so sicher, dass es mit allen Wörtern im Text übereinstimmt? Irgendeine Quelle?
Dumitru
7
@rjanjic, kannst du irgendwelche Quellen dafür veröffentlichen? Ich würde gerne sehen, wie dieser Regex zusammenkommt.
Radiovisuelle
3
@dumitru Hier ist eine Quelle zum Durchsuchen: fileformat.info/info/unicode/block/index.htm
ESL
7
Entspricht allen Zeichen in allen Sprachen[\u00A0-\uD7FF\uF900-\uFDCF\uFDF0-\uFFEF]
STAHL
80

Die Situation mit Regexen, Unicode und Javascript ist zum Kotzen. Es ist lächerlich, dass sich Programmierer auf externe Bibliotheken verlassen müssen, um zu erkennen, dass "Αλφα" ein Wort oder sogar "é" ein Buchstabe ist.

Aber so geht es.

Dieser Typ hat eine gute Bibliothek für den Umgang mit Unicode in Javascript Regexes geschrieben:

http://blog.stevenlevithan.com/archives/javascript-regex-and-unicode

Das Unicode-Zeug ist ein Plugin für diese Regex-Bibliothek:

http://xregexp.com/

Hier ist ein Beitrag über die Unicode-Erweiterung:

http://blog.stevenlevithan.com/archives/xregexp-unicode-plugin

Und die Erweiterungsseite selbst:

http://xregexp.com/plugins/

Tolle Arbeit, aber es nervt mich immer noch, dass Javascript in dieser Hinsicht so rückständig ist.

(Er hat ein Buch für O'Reilly über das Thema geschrieben, daher ist es gut möglich, dass er weiß, wovon er spricht.)

Die Art und Weise, wie er es implementiert hat, besteht darin, Zeichentabellen mit bestimmten Eigenschaften hinzuzufügen. Wenn Sie dann einen regulären Ausdruck mit seiner Bibliothek erstellen, \p{charclass}wird dieser durch ersetzt [allthecharactersintheclass].

GOTO 0
quelle
1
Twitter hat auch eine schöne Text-Parsing-Bibliothek, die viele Sprachen abdeckt, obwohl (offensichtlich) sehr hashtag-zentriert: github.com/twitter/twitter-text-js
Michael Marsh
52

Unicode Property Escapes gehören zu den Funktionen von ES2018.

Grundlegende Verwendung

Mit Unicode Property Escapes können Sie einen Buchstaben aus einer beliebigen Sprache mit dem folgenden einfachen regulären Ausdruck abgleichen:

/\p{Letter}/u

Oder mit der Kurzform, noch knapper:

/\p{L}/u

Passende Wörter

In Bezug auf die konkreten Anwendungsfall die Frage (Matching Wörter), beachten Sie, dass Sie Unicode Property Escapes in Zeichenklassen verwenden können, so dass es leicht Buchstaben passen zusammen mit anderen Wort-Zeichen wie Bindestriche:

/[\p{L}-]/u

Wenn Sie alles zusammenfügen, können Sie Wörter aller [1] Sprachen mit diesem wunderschön kurzen RegEx abgleichen:

/([\p{L}-]+)/ug

Beispiel (schamlos aus der obigen Antwort eingesteckt ):

'Düsseldorf, Köln, Москва, 北京市, إسرائيل !@#$'.match(/([\p{L}-]+)/ug)

// ["Düsseldorf", "Köln", "Москва", "北京市", "إسرائيل"]

[1] Beachten Sie, dass ich kein Experte für Sprachen bin. Möglicherweise möchten Sie immer noch selbst nach anderen Zeichen suchen, die neben Buchstaben und Bindestrichen auchWortbestandteile sein können.

Browser-Unterstützung

Ab sofort (Dezember 2018) konnte ich diesen regulären Ausdruck nur in Chrome (und anderen Blink-basierten Browsern wie Opera, Vivaldi oder zukünftigen Versionen von Microsoft Edge) und Safari (ab Version 12, frühere Tests mit Version 11) erfolgreich testen gescheitert). Da die Spezifikation jedoch fertig ist und die Funktion standardisiert ist, erwarten Sie, dass bald weitere moderne Browser folgen.

Ich habe eine kleine Website erstellt, auf der Sie überprüfen können, ob Ihr Browser Unicode Property Escapes unterstützt.

Transpiling

Unicode-Eigenschafts-Escapes können mit einem Tool namens regexpu auf ES5 übertragen werden . Es gibt eine Online - Demo verfügbar hier . Wie Sie in der Demo sehen können, können Sie heute tatsächlich nicht-lateinische Buchstaben mit dem folgenden (schrecklich langen) regulären ES5-Ausdruck abgleichen:

/(?:[A-Za-z\xAA\xB5\xBA\xC0-\xD6\xD8-\xF6\xF8-\u02C1\u02C6-\u02D1\u02E0-\u02E4\u02EC\u02EE\u0370-\u0374\u0376\u0377\u037A-\u037D\u037F\u0386\u0388-\u038A\u038C\u038E-\u03A1\u03A3-\u03F5\u03F7-\u0481\u048A-\u052F\u0531-\u0556\u0559\u0561-\u0587\u05D0-\u05EA\u05F0-\u05F2\u0620-\u064A\u066E\u066F\u0671-\u06D3\u06D5\u06E5\u06E6\u06EE\u06EF\u06FA-\u06FC\u06FF\u0710\u0712-\u072F\u074D-\u07A5\u07B1\u07CA-\u07EA\u07F4\u07F5\u07FA\u0800-\u0815\u081A\u0824\u0828\u0840-\u0858\u0860-\u086A\u08A0-\u08B4\u08B6-\u08BD\u0904-\u0939\u093D\u0950\u0958-\u0961\u0971-\u0980\u0985-\u098C\u098F\u0990\u0993-\u09A8\u09AA-\u09B0\u09B2\u09B6-\u09B9\u09BD\u09CE\u09DC\u09DD\u09DF-\u09E1\u09F0\u09F1\u09FC\u0A05-\u0A0A\u0A0F\u0A10\u0A13-\u0A28\u0A2A-\u0A30\u0A32\u0A33\u0A35\u0A36\u0A38\u0A39\u0A59-\u0A5C\u0A5E\u0A72-\u0A74\u0A85-\u0A8D\u0A8F-\u0A91\u0A93-\u0AA8\u0AAA-\u0AB0\u0AB2\u0AB3\u0AB5-\u0AB9\u0ABD\u0AD0\u0AE0\u0AE1\u0AF9\u0B05-\u0B0C\u0B0F\u0B10\u0B13-\u0B28\u0B2A-\u0B30\u0B32\u0B33\u0B35-\u0B39\u0B3D\u0B5C\u0B5D\u0B5F-\u0B61\u0B71\u0B83\u0B85-\u0B8A\u0B8E-\u0B90\u0B92-\u0B95\u0B99\u0B9A\u0B9C\u0B9E\u0B9F\u0BA3\u0BA4\u0BA8-\u0BAA\u0BAE-\u0BB9\u0BD0\u0C05-\u0C0C\u0C0E-\u0C10\u0C12-\u0C28\u0C2A-\u0C39\u0C3D\u0C58-\u0C5A\u0C60\u0C61\u0C80\u0C85-\u0C8C\u0C8E-\u0C90\u0C92-\u0CA8\u0CAA-\u0CB3\u0CB5-\u0CB9\u0CBD\u0CDE\u0CE0\u0CE1\u0CF1\u0CF2\u0D05-\u0D0C\u0D0E-\u0D10\u0D12-\u0D3A\u0D3D\u0D4E\u0D54-\u0D56\u0D5F-\u0D61\u0D7A-\u0D7F\u0D85-\u0D96\u0D9A-\u0DB1\u0DB3-\u0DBB\u0DBD\u0DC0-\u0DC6\u0E01-\u0E30\u0E32\u0E33\u0E40-\u0E46\u0E81\u0E82\u0E84\u0E87\u0E88\u0E8A\u0E8D\u0E94-\u0E97\u0E99-\u0E9F\u0EA1-\u0EA3\u0EA5\u0EA7\u0EAA\u0EAB\u0EAD-\u0EB0\u0EB2\u0EB3\u0EBD\u0EC0-\u0EC4\u0EC6\u0EDC-\u0EDF\u0F00\u0F40-\u0F47\u0F49-\u0F6C\u0F88-\u0F8C\u1000-\u102A\u103F\u1050-\u1055\u105A-\u105D\u1061\u1065\u1066\u106E-\u1070\u1075-\u1081\u108E\u10A0-\u10C5\u10C7\u10CD\u10D0-\u10FA\u10FC-\u1248\u124A-\u124D\u1250-\u1256\u1258\u125A-\u125D\u1260-\u1288\u128A-\u128D\u1290-\u12B0\u12B2-\u12B5\u12B8-\u12BE\u12C0\u12C2-\u12C5\u12C8-\u12D6\u12D8-\u1310\u1312-\u1315\u1318-\u135A\u1380-\u138F\u13A0-\u13F5\u13F8-\u13FD\u1401-\u166C\u166F-\u167F\u1681-\u169A\u16A0-\u16EA\u16F1-\u16F8\u1700-\u170C\u170E-\u1711\u1720-\u1731\u1740-\u1751\u1760-\u176C\u176E-\u1770\u1780-\u17B3\u17D7\u17DC\u1820-\u1877\u1880-\u1884\u1887-\u18A8\u18AA\u18B0-\u18F5\u1900-\u191E\u1950-\u196D\u1970-\u1974\u1980-\u19AB\u19B0-\u19C9\u1A00-\u1A16\u1A20-\u1A54\u1AA7\u1B05-\u1B33\u1B45-\u1B4B\u1B83-\u1BA0\u1BAE\u1BAF\u1BBA-\u1BE5\u1C00-\u1C23\u1C4D-\u1C4F\u1C5A-\u1C7D\u1C80-\u1C88\u1CE9-\u1CEC\u1CEE-\u1CF1\u1CF5\u1CF6\u1D00-\u1DBF\u1E00-\u1F15\u1F18-\u1F1D\u1F20-\u1F45\u1F48-\u1F4D\u1F50-\u1F57\u1F59\u1F5B\u1F5D\u1F5F-\u1F7D\u1F80-\u1FB4\u1FB6-\u1FBC\u1FBE\u1FC2-\u1FC4\u1FC6-\u1FCC\u1FD0-\u1FD3\u1FD6-\u1FDB\u1FE0-\u1FEC\u1FF2-\u1FF4\u1FF6-\u1FFC\u2071\u207F\u2090-\u209C\u2102\u2107\u210A-\u2113\u2115\u2119-\u211D\u2124\u2126\u2128\u212A-\u212D\u212F-\u2139\u213C-\u213F\u2145-\u2149\u214E\u2183\u2184\u2C00-\u2C2E\u2C30-\u2C5E\u2C60-\u2CE4\u2CEB-\u2CEE\u2CF2\u2CF3\u2D00-\u2D25\u2D27\u2D2D\u2D30-\u2D67\u2D6F\u2D80-\u2D96\u2DA0-\u2DA6\u2DA8-\u2DAE\u2DB0-\u2DB6\u2DB8-\u2DBE\u2DC0-\u2DC6\u2DC8-\u2DCE\u2DD0-\u2DD6\u2DD8-\u2DDE\u2E2F\u3005\u3006\u3031-\u3035\u303B\u303C\u3041-\u3096\u309D-\u309F\u30A1-\u30FA\u30FC-\u30FF\u3105-\u312E\u3131-\u318E\u31A0-\u31BA\u31F0-\u31FF\u3400-\u4DB5\u4E00-\u9FEA\uA000-\uA48C\uA4D0-\uA4FD\uA500-\uA60C\uA610-\uA61F\uA62A\uA62B\uA640-\uA66E\uA67F-\uA69D\uA6A0-\uA6E5\uA717-\uA71F\uA722-\uA788\uA78B-\uA7AE\uA7B0-\uA7B7\uA7F7-\uA801\uA803-\uA805\uA807-\uA80A\uA80C-\uA822\uA840-\uA873\uA882-\uA8B3\uA8F2-\uA8F7\uA8FB\uA8FD\uA90A-\uA925\uA930-\uA946\uA960-\uA97C\uA984-\uA9B2\uA9CF\uA9E0-\uA9E4\uA9E6-\uA9EF\uA9FA-\uA9FE\uAA00-\uAA28\uAA40-\uAA42\uAA44-\uAA4B\uAA60-\uAA76\uAA7A\uAA7E-\uAAAF\uAAB1\uAAB5\uAAB6\uAAB9-\uAABD\uAAC0\uAAC2\uAADB-\uAADD\uAAE0-\uAAEA\uAAF2-\uAAF4\uAB01-\uAB06\uAB09-\uAB0E\uAB11-\uAB16\uAB20-\uAB26\uAB28-\uAB2E\uAB30-\uAB5A\uAB5C-\uAB65\uAB70-\uABE2\uAC00-\uD7A3\uD7B0-\uD7C6\uD7CB-\uD7FB\uF900-\uFA6D\uFA70-\uFAD9\uFB00-\uFB06\uFB13-\uFB17\uFB1D\uFB1F-\uFB28\uFB2A-\uFB36\uFB38-\uFB3C\uFB3E\uFB40\uFB41\uFB43\uFB44\uFB46-\uFBB1\uFBD3-\uFD3D\uFD50-\uFD8F\uFD92-\uFDC7\uFDF0-\uFDFB\uFE70-\uFE74\uFE76-\uFEFC\uFF21-\uFF3A\uFF41-\uFF5A\uFF66-\uFFBE\uFFC2-\uFFC7\uFFCA-\uFFCF\uFFD2-\uFFD7\uFFDA-\uFFDC]|\uD800[\uDC00-\uDC0B\uDC0D-\uDC26\uDC28-\uDC3A\uDC3C\uDC3D\uDC3F-\uDC4D\uDC50-\uDC5D\uDC80-\uDCFA\uDE80-\uDE9C\uDEA0-\uDED0\uDF00-\uDF1F\uDF2D-\uDF40\uDF42-\uDF49\uDF50-\uDF75\uDF80-\uDF9D\uDFA0-\uDFC3\uDFC8-\uDFCF]|\uD801[\uDC00-\uDC9D\uDCB0-\uDCD3\uDCD8-\uDCFB\uDD00-\uDD27\uDD30-\uDD63\uDE00-\uDF36\uDF40-\uDF55\uDF60-\uDF67]|\uD802[\uDC00-\uDC05\uDC08\uDC0A-\uDC35\uDC37\uDC38\uDC3C\uDC3F-\uDC55\uDC60-\uDC76\uDC80-\uDC9E\uDCE0-\uDCF2\uDCF4\uDCF5\uDD00-\uDD15\uDD20-\uDD39\uDD80-\uDDB7\uDDBE\uDDBF\uDE00\uDE10-\uDE13\uDE15-\uDE17\uDE19-\uDE33\uDE60-\uDE7C\uDE80-\uDE9C\uDEC0-\uDEC7\uDEC9-\uDEE4\uDF00-\uDF35\uDF40-\uDF55\uDF60-\uDF72\uDF80-\uDF91]|\uD803[\uDC00-\uDC48\uDC80-\uDCB2\uDCC0-\uDCF2]|\uD804[\uDC03-\uDC37\uDC83-\uDCAF\uDCD0-\uDCE8\uDD03-\uDD26\uDD50-\uDD72\uDD76\uDD83-\uDDB2\uDDC1-\uDDC4\uDDDA\uDDDC\uDE00-\uDE11\uDE13-\uDE2B\uDE80-\uDE86\uDE88\uDE8A-\uDE8D\uDE8F-\uDE9D\uDE9F-\uDEA8\uDEB0-\uDEDE\uDF05-\uDF0C\uDF0F\uDF10\uDF13-\uDF28\uDF2A-\uDF30\uDF32\uDF33\uDF35-\uDF39\uDF3D\uDF50\uDF5D-\uDF61]|\uD805[\uDC00-\uDC34\uDC47-\uDC4A\uDC80-\uDCAF\uDCC4\uDCC5\uDCC7\uDD80-\uDDAE\uDDD8-\uDDDB\uDE00-\uDE2F\uDE44\uDE80-\uDEAA\uDF00-\uDF19]|\uD806[\uDCA0-\uDCDF\uDCFF\uDE00\uDE0B-\uDE32\uDE3A\uDE50\uDE5C-\uDE83\uDE86-\uDE89\uDEC0-\uDEF8]|\uD807[\uDC00-\uDC08\uDC0A-\uDC2E\uDC40\uDC72-\uDC8F\uDD00-\uDD06\uDD08\uDD09\uDD0B-\uDD30\uDD46]|\uD808[\uDC00-\uDF99]|\uD809[\uDC80-\uDD43]|[\uD80C\uD81C-\uD820\uD840-\uD868\uD86A-\uD86C\uD86F-\uD872\uD874-\uD879][\uDC00-\uDFFF]|\uD80D[\uDC00-\uDC2E]|\uD811[\uDC00-\uDE46]|\uD81A[\uDC00-\uDE38\uDE40-\uDE5E\uDED0-\uDEED\uDF00-\uDF2F\uDF40-\uDF43\uDF63-\uDF77\uDF7D-\uDF8F]|\uD81B[\uDF00-\uDF44\uDF50\uDF93-\uDF9F\uDFE0\uDFE1]|\uD821[\uDC00-\uDFEC]|\uD822[\uDC00-\uDEF2]|\uD82C[\uDC00-\uDD1E\uDD70-\uDEFB]|\uD82F[\uDC00-\uDC6A\uDC70-\uDC7C\uDC80-\uDC88\uDC90-\uDC99]|\uD835[\uDC00-\uDC54\uDC56-\uDC9C\uDC9E\uDC9F\uDCA2\uDCA5\uDCA6\uDCA9-\uDCAC\uDCAE-\uDCB9\uDCBB\uDCBD-\uDCC3\uDCC5-\uDD05\uDD07-\uDD0A\uDD0D-\uDD14\uDD16-\uDD1C\uDD1E-\uDD39\uDD3B-\uDD3E\uDD40-\uDD44\uDD46\uDD4A-\uDD50\uDD52-\uDEA5\uDEA8-\uDEC0\uDEC2-\uDEDA\uDEDC-\uDEFA\uDEFC-\uDF14\uDF16-\uDF34\uDF36-\uDF4E\uDF50-\uDF6E\uDF70-\uDF88\uDF8A-\uDFA8\uDFAA-\uDFC2\uDFC4-\uDFCB]|\uD83A[\uDC00-\uDCC4\uDD00-\uDD43]|\uD83B[\uDE00-\uDE03\uDE05-\uDE1F\uDE21\uDE22\uDE24\uDE27\uDE29-\uDE32\uDE34-\uDE37\uDE39\uDE3B\uDE42\uDE47\uDE49\uDE4B\uDE4D-\uDE4F\uDE51\uDE52\uDE54\uDE57\uDE59\uDE5B\uDE5D\uDE5F\uDE61\uDE62\uDE64\uDE67-\uDE6A\uDE6C-\uDE72\uDE74-\uDE77\uDE79-\uDE7C\uDE7E\uDE80-\uDE89\uDE8B-\uDE9B\uDEA1-\uDEA3\uDEA5-\uDEA9\uDEAB-\uDEBB]|\uD869[\uDC00-\uDED6\uDF00-\uDFFF]|\uD86D[\uDC00-\uDF34\uDF40-\uDFFF]|\uD86E[\uDC00-\uDC1D\uDC20-\uDFFF]|\uD873[\uDC00-\uDEA1\uDEB0-\uDFFF]|\uD87A[\uDC00-\uDFE0]|\uD87E[\uDC00-\uDE1D])/

Wenn Sie Babel verwenden, gibt es dafür auch ein Plugin mit Regexpu-Unterstützung ( Babel v6-Plugin , Babel v7-Plugin ).

Loilo
quelle
Dies ist in meinem Fall die eigentliche Lösung. Insbesondere: [\ p {L} \ s \ d], um einen beliebigen Namen in einer beliebigen Sprache mit Leerzeichen und Zahlen zu akzeptieren. Ref link
tuxErrante
Namen könnten noch Bindestriche enthalten (hier in Deutschland zum Beispiel recht häufig). Um ehrlich zu sein, ist es wahrscheinlich am besten, überhaupt keine Annahmen darüber zu treffen, welche Zeichen ein gültiger Name enthält.
Loilo
1
Top Antwort für JS. Wird in Edge / Firefox heute noch nicht unterstützt, daher ist der Transpiling-Stil relevant.
Barry Staes
1
Dies ist die Firefox-Feature-Anfrage: bugzilla.mozilla.org/show_bug.cgi?id=1361876
Bodo
1
@MatzHeri Das uFlag wurde in ES2015 eingeführt und ermöglicht verschiedene Funktionen im Zusammenhang mit Unicode (z. B. die in meiner Antwort erwähnte Eigenschaft, obwohl diese erst einige Jahre später eingeführt wurden). Da die Unicode-bezogenen Funktionen die Semantik einiger Regex-Muster geringfügig ändern, muss dies explizit aktiviert werden - durch Hinzufügen dieses uFlags.
Loilo
13

Die Antwort von Jeremy Ruten ist großartig, aber ich denke, es ist nicht genau das, wonach Paul Wicks gesucht hat. Wenn ich das richtig verstehe, fragte Paul nach dem Ausdruck, um nicht-englischen Wörtern wie könnenoder zu entsprechen móc. Jeremys Regex stimmt nur mit nicht englischen Buchstaben überein, daher besteht ein kleiner Verbesserungsbedarf:

([^\x00-\x7F]|\w)+

oder

([^\u0000-\u007F]|\w)+

Dieser [^\x00-\x7F]und dieser [^\u0000-\u007F]Teil ermöglichen es, dass der Regullar-Ausdruck mit nicht-englischen Buchstaben übereinstimmt.

Dies (|)ist logisch oder und \wist ein englischer Buchstabe, ([^\u0000-\u007F]|\w)passt also zu einem einzelnen englischen oder nicht englischen Buchstaben.

+ am Ende des Ausdrucks bedeutet, dass er wiederholt werden kann, sodass der gesamte Ausdruck zulässt, dass alle englischen oder nicht englischen Buchstaben übereinstimmen.

Hier können Sie den ersten Ausdruck mit verschiedenen Zeichenfolgen testen und hier ist der zweite.

Landeeyo
quelle
6

Sie machen das gleiche wie bei jedem anderen Zeichenabgleich, verwenden jedoch \ uXXXX, wobei XXXX die Unicode-Nummer des Zeichens ist.

Siehe: http://unicode.org/charts/charindex.html

http://unicode.org/charts/

http://www.decodeunicode.org/

olle
quelle
mit Ausnahme der Tatsache, dass es eine ziemliche Aufgabe ist, alles nachzuschlagen, was als Zeichen bezeichnet werden kann, ohne spezielle Symbole wie Leerzeichen, Interpunktion usw. hinzuzufügen.
My1
3

Alle Unicode-fähigen Regex-Varianten sollten eine Sonderzeichenklasse wie \ w haben, die mit jedem Unicode-Buchstaben übereinstimmt. Schauen Sie sich hier Ihren spezifischen Geschmack an .

OregonGhost
quelle
7
Dies ist für die meisten Arten von Regex korrekt, jedoch nicht für JavaScript, zumindest gemäß regulär-expressions.info
Paul Wicks
Pech also, denke ich. Zumindest können Sie dann die von olle geposteten Unicode-Diagramme verwenden, um Ihre Charaktere zu finden;)
OregonGhost
Ich denke, \ w hängt von den kulturellen Einstellungen des Kunden ab.
Troelskn
Ich weiß es nicht, aber in .NET können Sie immer die gewünschte Kultur angeben. Abgesehen davon, was ein Buchstabe ist und was nicht, ist im Unicode-Standard definiert und hängt nicht von der Kultur ab.
OregonGhost
0

Ich hatte ein Problem damit, dass \ p wie erwartet funktioniert, also habe ich einfach eine andere Strategie angewendet wie:

([^\t]+)\t

Finden Sie alles, was kein Tabulatorzeichen ist, bis zum nächsten Tabulatorzeichen ... dies hängt natürlich von Ihrer Suchquelle ab, aber Sie haben die Idee. Jetzt muss ich nicht mehr herausfinden, welche Unicode-Zeichen funktionieren und welche nicht usw.

Jonathan
quelle