Javascript 中日字符的正则词匹配

我知道检测字符串的模式是汉字，但这不是我需要的。我需要检查字符串中是否有字符

const words_found = (words, values) => 
 words.some(word => 
   values.match(new RegExp(word + '\\b', 'i'))
)

words_found(['james'], 'my name is james') // true

但在汉字方面失败了

words_found(['一个'], '你说到这是一个测试') // false

---

\b

仅适用于单词和非单词之间的边界。就中国人而言，整个你说到这是一个测试' 被认为是一个词，所以'一个' 不相配你说到这是一个测试' 使用带有

\b

的正则表达式模式一个' 不在'你说到这是一个测试'. '测试' 从另一方面来说，他们会匹配。对于中文单词，一个简单的子字符串匹配通常就足够了。

阅读下面的内容

单词边界匹配单词字符后跟非单词字符之间的位置，或非单词字符后跟单词字符之间的位置

其中，“单词字符”是与

\w

匹配的字符（基本上是单字节字母数字和下划线），而“非单词字符”是与

\w

匹配的字符

请注意，所有汉字，在我们通常认为的意义上，都被视为与JavaScript正则表达式中的单词边界定义相关的“非单词字符”。换句话说，两者之间没有单词边界一 及个, 因为两者都是非单词字符；同样，两者之间也没有单词边界一个 及测试, 因为两者个 及测 是非单词字符

对于一般不使用空格的日语、汉语和韩语，甚至没有一个明确的定义来定义“单词”的含义，因此没有“单词字符”或“单词边界”的概念。有一些图书馆，人们多年来一直致力于机器学习，试图将文本分割成有意义的类似单词的片段，但他们的做法略有不同。这里的相关问题是，为什么你认为你想把汉语分解成你认为的“单词”（或者找到出现在“单词边界”之前的字符串）。你的

\\b

迫使匹配出现在单词边界之前的意思是什么？你想排除什么情况

使用Unicode正则表达式属性 但是，您可能可以在ECMAScript 2018（）中使用新的Unicode regexp字符类转义。例如，要匹配出现在看起来不像汉字（或任何字母）之前的中文字符串，您可以使用

new RegExp(`${word}(?=$|\P{Letter})`, "u")

粗略地说，这将转换为“查找单词，但只有它后面紧跟着字符串（

$

）或具有Unicode属性“Letter”的字符（

“u”

）的任何一端（使用“向前看”，即

部分）。
“u”
标志启用Unicode处理

当然，这无助于你找到一个 作为一个“字”在里面你说到这是一个测试, 因为下面的字符测 属于Unicode类“字母”，因此与
\p{Letter}
不匹配

顺便说一下，要匹配Unicode中的任何“非单词”符号，您可以使用：

[^\p{Alphabetic}\p{Mark}\p{Decimal_Number}\p{Connector_Punctuation}\p{Join_Control}]

总结：使用lookaheads/negative字符类构建自定义单词边界，或者如果您计划只支持ECMAScript 2018兼容的JS环境，请使用
new RegExp（word+'（？！\\p{L}）'，i'）
（不确定您是否需要
i
，因为中文字母是无大小写的）。要匹配整个字母单词，请使用
new RegExp（'（^\\p{五十} ）（“+word+”）（？！\\p{L}）“i”）
。