2022年8月6日

Unicode:修饰符 "u" 和类 \p{...}

JavaScript 对字符串使用 Unicode 编码。大多数字符使用 2 个字节编码,但这种方式只能编码最多 65536 个字符。

这个范围不足以对所有可能的字符进行编码,这就是为什么使用 4 个字节对一些罕见的字符进行编码,比如 𝒳(数学符号 X)或 😄(笑脸),一些象形文字等等。

下面是一些字符对应的 Unicode 值:

字符 Unicode Unicode 中的字节数
a 0x0061 2
0x2248 2
𝒳 0x1d4b3 4
𝒴 0x1d4b4 4
😄 0x1f604 4

所以像 a 这样的字符占用 2 个字节,而 𝒳𝒴😄 的对应编码则更长,占用 4 个字节。

很久以前,当 JavaScript 被发明出来的时候,Unicode 编码要更加简单:当时没有 4 个字节的字符。所以,有些语言功能现在仍无法正确处理它们。

比如 length 认为这里有 2 个字符:

alert('😄'.length); // 2
alert('𝒳'.length); // 2

……但我们可以清楚地认识到这里只有一个字符,对吧?关键在于 length 把 4 个字节当成了 2 个 2 字节长的字符。这是不对的,因为它们必须被当作一个整体来考虑(即所谓的“代理对(surrogate pair)”,你可以在 字符串 中阅读关于代理对的更多信息)。

默认情况下,正则表达式也会把一个 4 个字节的“长字符”当成一对 2 个字节长的字符。正如在字符串中遇到的情况,这将导致一些奇怪的结果。我们很快会在后面的章节 集合和范围 [...] 中遇到。

与字符串有所不同的是,正则表达式有一个修饰符 u 被用以解决此类问题。当一个正则表达式带有这个修饰符后,4 个字节长的字符将被正确地处理。同时也能够使用 Unicode 属性进行查找了,我们接下来就一起学习它吧。

Unicode 属性 \p{…}

Unicode 中的每个字符都有很多属性。它们描述了字符所属的“类别”,包含了关于字符的各种信息。

例如,如果一个字符具有 Letter 属性,这意味着这个字符归属于(任意语言的)字母表。而 Number 属性则表示这是一个数字:也许是阿拉伯数字,亦或是中文数字,等等。

我们可以查找具有某种属性的字符,写作 \p{…}。为了使用 \p{…},一个正则表达式必须使用修饰符 u

举个例子,\p{Letter} 表示任何语言中的一个字母。我们也可以使用 \p{L},因为 LLetter 的一个别名。对于每种属性而言,几乎都存在对应的缩写别名。

在下面的例子中会找出来 3 种字母:英语、格鲁吉亚语和韩语。

let str = "A ბ ㄱ";

alert( str.match(/\p{L}/gu) ); // A,ბ,ㄱ
alert( str.match(/\p{L}/g) ); // null(没有匹配项,因为没有修饰符 "u")

以下是主要的字符类别和它们对应的子类别:

  • 字母(Letter)L
    • 小写(lowercase)Ll
    • 修饰(modifier)Lm
    • 首字母大写(titlecase)Lt
    • 大写(uppercase)Lu
    • 其它(other)Lo
  • 数字(Number)N
    • 十进制数字(decimal digit)Nd
    • 字母数字(letter number)Nl
    • 其它(other)No
  • 标点符号(Punctuation)P
    • 连接符(connector)Pc
    • 横杠(dash)Pd
    • 起始引号(initial quote)Pi
    • 结束引号(final quote)Pf
    • 开(open)Ps
    • 闭(close)Pe
    • 其它(other)Po
  • 标记(Mark)M(accents etc):
    • 间隔合并(spacing combining)Mc
    • 封闭(enclosing)Me
    • 非间隔(non-spacing)Mn
  • 符号(Symbol)S
    • 货币(currency)Sc
    • 修饰(modifier)Sk
    • 数学(math)Sm
    • 其它(other)So
  • 分隔符(Separator)Z
    • 行(line)Zl
    • 段落(paragraph)Zp
    • 空格(space)Zs
  • 其它(Other)C
    • 控制符(control)Cc
    • 格式(format)Cf
    • 未分配(not assigned)Cn
    • 私有(private use)Co
    • 代理伪字符(surrogate)Cs

因此,比如说我们需要小写的字母,就可以写成 \p{Ll},标点符号写作 \p{P} 等等。

也有其它派生的类别,例如:

  • AlphabeticAlpha),包含了字母 L,加上字母数字 Nl(例如 Ⅻ —— 罗马数字 12),加上一些其它符号 Other_AlphabeticOAlpha)。
  • Hex_Digit 包括 16 进制数字 0-9a-f
  • ……等等。

Unicode 支持很多不同的属性,列出整个清单需要占用大量的篇幅,因此在这里列出相关的链接:

举例:16 进制数字

举个例子,让我们来查找 16 进制数字,写作 xFF 其中 F 是一个 16 进制的数字(0…9 或者 A…F)。

一个 16 进制数字可以表示为 \p{Hex_Digit}

let regexp = /x\p{Hex_Digit}\p{Hex_Digit}/u;

alert("number: xAF".match(regexp)); // xAF

举例:中文字符

让我们再来查找中文字符。

有一个 Unicode 属性 Script(一个书写系统),这个属性可能有一个值:CyrillicGreekArabicHan(中文)等等,这里是一个完整的列表

要在给定的书写系统中查找字符,我们需要使用 Script=<value>,例如对于西里尔字母:\p{sc=Cyrillic},中文象形文字:\p{sc=Han},等等。

let regexp = /\p{sc=Han}/gu; // 返回中文象形文字

let str = `Hello Привет 你好 123_456`;

alert( str.match(regexp) ); // 你,好

举例:货币

表示货币的字符,例如 $¥,具有 Unicode 属性 \p{Currency_Symbol},缩写为 \p{Sc}

让我们用它来查找格式为“货币,接着是一个数字”的价格:

let regexp = /\p{Sc}\d/gu;

let str = `Prices: $2, €1, ¥9`;

alert( str.match(regexp) ); // $2,€1,¥9

稍后,在文章 量词 +, *, ? 和 {n} 中我们将学习如何查找包含很多位的数字。

总结

修饰符 u 表示启用正则表达式中对 Unicode 的支持。

这意味着两件事:

  1. 4 个字节长的字符被以正确的方式处理:被看成单个字符,而不是 2 个 2 字节长的字符。
  2. Unicode 属性可以被用于查找:\p{…}

有了 unicode 属性我们可以查找给定语言中的词,特殊字符(引用,货币)等等。

教程路线图

评论

在评论之前先阅读本内容…
  • 如果你发现教程有错误,或者有其他需要修改和提升的地方 — 请 提交一个 GitHub issue 或 pull request,而不是在这评论。
  • 如果你对教程的内容有不理解的地方 — 请详细说明。
  • 使用 <code> 标签插入只有几个词的代码,插入多行代码可以使用 <pre> 标签,对于超过 10 行的代码,建议你使用沙箱(plnkrJSBincodepen…)