Javascript RegExp+；单词边界+；unicode字符

我正在构建搜索，我将使用javascript自动完成它。我来自芬兰（芬兰语），所以我必须处理一些特殊的字符，如ä、ö和å

当用户在搜索输入字段中键入文本时，我会尝试将文本与数据匹配

下面是一个简单的示例，如果用户键入例如“ää”则无法正常工作。“äl”也是一样

那么，如何让这些ä、ö和å字符与javascript正则表达式一起使用呢

我想我应该使用unicode代码，但我应该怎么做呢？这些字符的代码为： [\u00C4\u00E4\u00C5\u00E5\u00D6\u00F6]

---

=>我的想法是用代表芬兰语字母的代码进行搜索

newregexp（“\\b”+ascionly（searchterm），“gi”）.test（ascionly（title））

我最初的想法是使用普通的

encodeURI

，但是%符号似乎干扰了regexp

---

我编写了一个粗糙的函数，使用encodeURI对代码超过128的每个字符进行编码，但删除其%并在开头添加“QQ”。这不是最好的标记，但我无法使用非字母数字。

在使用Unicode时，我注意到

\b

有一些非常奇怪的地方：

/\bo/.test("pop"); // false (obviously)
/\bä/.test("päp"); // true (what..?)

/\Bo/.test("pop"); // true
/\Bä/.test("päp"); // false (what..?)

---

似乎

\b

和

\b

的含义是相反的，但仅当与非ASCII Unicode一起使用时？这里可能有更深层次的东西，但我不确定是什么

---

在任何情况下，似乎单词边界是问题所在，而不是Unicode字符本身。也许您应该将

\b

替换为

（^ |[\s\\/-\u&]）

，因为这似乎是正确的。（不过，要让你的符号列表比我的更全面。）

正则表达式和单词边界

\b

匹配字符串开头和超出正常256字节范围的起始字符似乎有问题

不要使用

\b

，尝试使用

（？：^ |\\s）

细分：

（？：

括号

（）

在正则表达式中构成捕获组。括号以问号开头，冒号

？：

构成非捕获组。它们只是将术语分组在一起

^

插入符号与字符串的开头匹配

|

条形图是“或”运算符

\s

匹配空格（在字符串中显示为

\\s

，因为我们必须转义反斜杠）

）

关闭组

---

因此，我们不使用与单词边界匹配且不适用于unicode字符的

\b

，而是使用与字符串或空格开头匹配的非捕获组。

JavaScript正则表达式中的

\b

字符类仅在简单的ASCII编码中有用

\b

是

\w

和

\w

集合或

\w

与字符串开头或结尾之间边界的快捷代码。这些字符集只考虑ASCII“word”字符，其中

\w

等于

[a-zA-Z0-9\]

，

\w

是该类的否定

这使得RegEx字符类在很大程度上无法处理任何真正的语言

---

\s

应该适用于您想要执行的操作，前提是搜索词仅由空格分隔。

我建议您在使用Unicode中的特定字符集时使用，该库的作者绘制了所有类型的区域字符集，使使用不同语言的工作更容易。

我也遇到过类似的问题，但我不得不替换一组术语。如果文本中两个术语相邻（因为它们的边界重叠），我发现所有的解决方案都不起作用。所以我不得不使用一种稍加修改的方法：

var text = "Ještě. že; \"už\" à. Fürs, 'anlässlich' že že že.";
var terms = ["à","anlässlich","Fürs","už","Ještě", "že"];
var replaced = [];
var order = 0;
for (i = 0; i < terms.length; i++) {
    terms[i] = "(^\|[ \n\r\t.,;'\"\+!?-])(" + terms[i] + ")([ \n\r\t.,;'\"\+!?-]+\|$)";
}
var re = new RegExp(terms.join("|"), "");
while (true) {
    var replacedString = "";
    text = text.replace(re, function replacer(match){
        var beginning = match.match("^[ \n\r\t.,;'\"\+!?-]+");
        if (beginning == null) beginning = "";
        var ending = match.match("[ \n\r\t.,;'\"\+!?-]+$");
        if (ending == null) ending = "";
        replacedString = match.replace(beginning,"");
        replacedString = replacedString.replace(ending,"");
        replaced.push(replacedString);
        return beginning+"{{"+order+"}}"+ending;
    });
if (replacedString == "") break;
order += 1;
}

var text=“Ještěe.že；\'už\'Fürs，'anlässlich'žeže.”；
var术语=[“a”、“anlässlich”、“Fürs”、“už”、“Ještě”、“že”]；
var替换=[]；
var阶数=0；
对于（i=0；i

请参阅小提琴中的代码：

正则表达式的灵感来自：

---

我不能说，我觉得这个解决方案很优雅…

这个问题很老了，但我认为我找到了一个更好的解决方案，用于unicode字母正则表达式中的边界。 使用XRegExp库可以实现有效的\b边界来扩展此

XRegExp('(?=^|$|[^\\p{L}])')

结果是4000多个字符长，但它似乎非常有效

---

一些解释：（？=）是一个零长度的前瞻，用于查找开始或结束边界或非字母unicode字符。最重要的想法是前瞻性，因为\b没有捕获任何东西：它只是对或错。

您要寻找的是Unicode单词边界标准：

这里有一个JavaScript实现（uncodejs.wordbreak.js）

---

\b

是字母和非字母字符之间转换的快捷方式，反之亦然

更新和改进的答案：

随着ES2018中RegExs的

/u

修饰符的引入，您现在可以使用

\p{L}

表示任何unicode字母，并且

\p{L}

var text = "Ještě. že; \"už\" à. Fürs, 'anlässlich' že že že.";
var terms = ["à","anlässlich","Fürs","už","Ještě", "že"];
var replaced = [];
var order = 0;
for (i = 0; i < terms.length; i++) {
    terms[i] = "(^\|[ \n\r\t.,;'\"\+!?-])(" + terms[i] + ")([ \n\r\t.,;'\"\+!?-]+\|$)";
}
var re = new RegExp(terms.join("|"), "");
while (true) {
    var replacedString = "";
    text = text.replace(re, function replacer(match){
        var beginning = match.match("^[ \n\r\t.,;'\"\+!?-]+");
        if (beginning == null) beginning = "";
        var ending = match.match("[ \n\r\t.,;'\"\+!?-]+$");
        if (ending == null) ending = "";
        replacedString = match.replace(beginning,"");
        replacedString = replacedString.replace(ending,"");
        replaced.push(replacedString);
        return beginning+"{{"+order+"}}"+ending;
    });
if (replacedString == "") break;
order += 1;
}

XRegExp('(?=^|$|[^\\p{L}])')

const text = 'A Fé, o Império, e as terras viciosas';

text.split(/(?<=\p{L})(?=\P{L})|(?<=\P{L})(?=\p{L})/);

// ['A', ' Fé', ',', ' o', ' Império', ',', ' e', ' as', ' terras', ' viciosas']

new RegExp(`(?<![\u0400-\u04ff])${cyrillicSearchValue}(?![\u0400-\u04ff])`,'gi')