Unicode-Zeichenklassen-Escape: \p{...}, \P{...}

Probieren Sie es aus

const sentence = "A ticket to 大阪 costs ¥2000 👌.";

const regexpEmojiPresentation = /\p{Emoji_Presentation}/gu;
console.log(sentence.match(regexpEmojiPresentation));
// Expected output: Array ["👌"]

const regexpNonLatin = /\P{Script_Extensions=Latin}+/gu;
console.log(sentence.match(regexpNonLatin));
// Expected output: Array [" ", " ", " 大阪 ", " ¥2000 👌."]

const regexpCurrencyOrPunctuation = /\p{Sc}|\p{P}/gu;
console.log(sentence.match(regexpCurrencyOrPunctuation));
// Expected output: Array ["¥", "."]

Syntax

\p{loneProperty}
\P{loneProperty}

\p{property=value}
\P{property=value}

Parameter

loneProperty

Ein einzelner Unicode-Eigenschaftsname oder -wert, der der gleichen Syntax wie value folgt. Er gibt den Wert für die General_Category-Eigenschaft oder einen binären Eigenschaftsnamen an. Im v Modus kann es auch eine binäre Unicode-Eigenschaft von Zeichenketten sein.

Hinweis: ICU-Syntax erlaubt es, den Eigenschaftsnamen Script wegzulassen, aber JavaScript unterstützt dies nicht, da meist Script_Extensions nützlicher ist als Script.

property

Ein Unicode-Eigenschaftsname. Muss aus ASCII Buchstaben (A–Z, a–z) und Unterstrichen (_) bestehen und muss einer der nicht-binären Eigenschaftsnamen sein.

value

Ein Unicode-Eigenschaftswert. Muss aus ASCII-Buchstaben (A–Z, a–z), Unterstrichen (_) und Ziffern (0–9) bestehen und muss einer der unterstützten Werte in PropertyValueAliases.txt sein.

Beschreibung

\p und \P werden nur im Unicode-awareness-Modus unterstützt. Im Unicode-ununawareness-Modus sind sie Identitäts-Escapezeichen für das Zeichen p oder P.

Jedes Unicode-Zeichen hat eine Reihe von Eigenschaften, die es beschreiben. Zum Beispiel hat das Zeichen a die Eigenschaft General_Category mit dem Wert Lowercase_Letter und die Eigenschaft Script mit dem Wert Latn. Die Escape-Sequenzen \p und \P ermöglichen es Ihnen, ein Zeichen basierend auf seinen Eigenschaften zu matchen. Zum Beispiel kann a durch \p{Lowercase_Letter} (der General_Category-Eigenschaftsname ist optional) ebenso wie durch \p{Script=Latn} gematcht werden. \P erstellt eine Komplementklasse, die aus Codepunkten ohne die angegebene Eigenschaft besteht.

Wenn das i-Flag gesetzt ist, werden \P-Zeichenklassen in den Modi u und v leicht unterschiedlich behandelt. Im u-Modus erfolgt das Falten von Groß- und Kleinbuchstaben nach der Subtraktion; im v-Modus erfolgt das Falten vor der Subtraktion. Konkret bedeutet das, dass im u-Modus \P{property} caseFold(allCharacters - charactersWithProperty) übereinstimmt. Das bedeutet, dass /\P{Lowercase_Letter}/iu weiterhin "a" matcht, weil A kein Lowercase_Letter ist. Im v-Modus stimmt \P{property} mit caseFold(allCharacters) - caseFold(charactersWithProperty) überein. Das bedeutet, dass /\P{Lowercase_Letter}/iv "a" nicht matcht, weil A nicht einmal in der Menge aller case-folded Unicode-Zeichen ist. Siehe auch Komplementklassen und Case-Insensitive-Matching.

Um mehrere Eigenschaften zu kombinieren, verwenden Sie die Zeichensatzschnittmenge-Syntax, die mit dem v-Flag aktiviert ist, oder sehen Sie sich Muster-Subtraktion und Schnittmenge an.

Im v-Modus kann \p eine Folge von Codepunkten matchen, die in Unicode als "Eigenschaften von Zeichenketten" definiert sind. Dies ist am nützlichsten für Emojis, die häufig aus mehreren Codepunkten bestehen. \P kann jedoch nur Zeichen-Eigenschaften komplementieren.

Beispiele

Allgemeine Kategorien

Allgemeine Kategorien werden verwendet, um Unicode-Zeichen zu klassifizieren, und Unterkategorien sind verfügbar, um eine präzisere Klassifizierung zu definieren. Es ist möglich, sowohl kurze als auch lange Formen in Unicode-Eigenschafts-Escapes zu verwenden.

Sie können verwendet werden, um Buchstaben, Zahlen, Symbole, Satzzeichen, Leerzeichen usw. zu matchen. Für eine ausführlichere Liste der allgemeinen Kategorien, konsultieren Sie bitte die Unicode-Spezifikation.

// finding all the letters of a text
const story = "It's the Cheshire Cat: now I shall have somebody to talk to.";

// Most explicit form
story.match(/\p{General_Category=Letter}/gu);

// It is not mandatory to use the property name for General categories
story.match(/\p{Letter}/gu);

// This is equivalent (short alias):
story.match(/\p{L}/gu);

// This is also equivalent (conjunction of all the subcategories using short aliases)
story.match(/\p{Lu}|\p{Ll}|\p{Lt}|\p{Lm}|\p{Lo}/gu);

Skripte und Skripterweiterungen

Einige Sprachen verwenden unterschiedliche Schriftsysteme für ihr Schriftsystem. Zum Beispiel wird Englisch und Spanisch mit dem lateinischen Schriftsystem geschrieben, während Arabisch und Russisch mit anderen Schriftsystemen geschrieben werden (nämlich Arabisch und Kyrillisch). Die Unicode-Eigenschaften Script und Script_Extensions ermöglichen es regulären Ausdrücken, Zeichen entsprechend dem Skript, mit dem sie hauptsächlich verwendet werden (Script), oder entsprechend dem Satz von Skripten, zu denen sie gehören (Script_Extensions), zu matchen.

Zum Beispiel gehört A zum lateinischen Skript und ε zum griechischen Skript.

const mixedCharacters = "aεЛ";

// Using the canonical "long" name of the script
mixedCharacters.match(/\p{Script=Latin}/u); // a

// Using a short alias (ISO 15924 code) for the script
mixedCharacters.match(/\p{Script=Grek}/u); // ε

// Using the short name sc for the Script property
mixedCharacters.match(/\p{sc=Cyrillic}/u); // Л

Für weitere Details konsultieren Sie bitte die Unicode-Spezifikation, die Skripttabelle in der ECMAScript-Spezifikation und die ISO 15924-Liste von Skriptcodes.

Wenn ein Zeichen in einem begrenzten Satz von Skripten verwendet wird, wird die Script-Eigenschaft nur für das "vorherrschend" verwendete Skript matchen. Wenn wir Zeichen basierend auf einem "nicht-vorherrschenden" Skript matchen wollen, könnten wir die Script_Extensions-Eigenschaft (scx für kurz) verwenden.

// ٢ is the digit 2 in Arabic-Indic notation
// while it is predominantly written within the Arabic script
// it can also be written in the Thaana script

"٢".match(/\p{Script=Thaana}/u);
// null as Thaana is not the predominant script

"٢".match(/\p{Script_Extensions=Thaana}/u);
// ["٢", index: 0, input: "٢", groups: undefined]

Unicode-Eigenschafts-Escapes vs. Zeichenklassen

Mit JavaScript-Regulärausdrücken ist es auch möglich, Zeichenklassen, insbesondere \w oder \d, zu verwenden, um Buchstaben oder Ziffern zu matchen. Solche Formen matchen jedoch nur Zeichen aus dem lateinischen Skript (mit anderen Worten, a bis z und A bis Z für \w und 0 bis 9 für \d). Wie in diesem Beispiel gezeigt, kann es etwas umständlich sein, mit nicht-lateinischen Texten zu arbeiten.

Unicode-Eigenschafts-Escape-Kategorien umfassen viel mehr Zeichen, und \p{Letter} oder \p{Number} funktionieren für jedes Skript.

// Trying to use ranges to avoid \w limitations:

const nonEnglishText = "Приключения Алисы в Стране чудес";
const regexpBMPWord = /([\u0000-\u0019\u0021-\uFFFF])+/gu;
// BMP goes through U+0000 to U+FFFF but space is U+0020

console.table(nonEnglishText.match(regexpBMPWord));

// Using Unicode property escapes instead
const regexpUPE = /\p{L}+/gu;
console.table(nonEnglishText.match(regexpUPE));

Preise matchen

Das folgende Beispiel matcht Preise in einer Zeichenkette:

function getPrices(str) {
  // Sc stands for "currency symbol"
  return [...str.matchAll(/\p{Sc}\s*[\d.,]+/gu)].map((match) => match[0]);
}

const str = `California rolls $6.99
Crunchy rolls $8.49
Shrimp tempura $10.99`;
console.log(getPrices(str)); // ["$6.99", "$8.49", "$10.99"]

const str2 = `US store $19.99
Europe store €18.99
Japan store ¥2000`;
console.log(getPrices(str2)); // ["$19.99", "€18.99", "¥2000"]

Zeichenketten matchen

Mit dem v-Flag kann \p{…} Zeichenketten matchen, die potenziell länger als ein Zeichen sind, indem eine Eigenschaft von Zeichenketten verwendet wird:

const flag = "🇺🇳";
console.log(flag.length); // 4 (two code points, each a surrogate pair)
console.log([...flag].length); // 2
console.log(/\p{RGI_Emoji_Flag_Sequence}/v.exec(flag)); // [ '🇺🇳' ]

Sie können jedoch \P nicht verwenden, um "eine Zeichenkette, die keine Eigenschaft hat" zu matchen, da unklar ist, wie viele Zeichen verbraucht werden sollten.

/\P{RGI_Emoji_Flag_Sequence}/v; // SyntaxError: Invalid regular expression: Invalid property name

Spezifikationen

Browser-Kompatibilität

Siehe auch

• Zeichenklassen-Leitfaden
• Reguläre Ausdrücke
• Zeichenklasse: [...], [^...]
• Zeichenklassen-Escape: \d, \D, \w, \W, \s, \S
• Zeichen-Escape: \n, \u{...}
• Disjunktion: |
• Unicode-Zeichen-Eigenschaft auf Wikipedia
• ES2018: RegExp Unicode-Eigenschafts-Escapes von Dr. Axel Rauschmayer (2017)
• Unicode reguläre Ausdrücke § Eigenschaften
• Unicode Utilities: UnicodeSet
• RegExp v Flag mit Set-Notation und Eigenschaften von Zeichenketten auf v8.dev (2022)