En JavaScript:UTF-8 palabra expresiones regulares límite en javascript
"ab abc cab ab ab".replace(/\bab\b/g, "AB");
me da correctamente:
"AB abc cab AB AB"
Cuando uso caracteres UTF-8 sin embargo:
"αβ αβγ γαβ αβ αβ".replace(/\bαβ\b/g, "AB");
la word boundary operator no parece funcionar:
"αβ αβγ γαβ αβ αβ"
¿Hay una solución a esto?
La afirmación de límite de palabras solo coincide si un carácter de palabra no va precedido o seguido de otro carácter de palabra (por lo que .\b. es igual a \W\w y \w\W). Y \w se define como [A-Za-z0-9_]. Entonces, \w no coincide con los caracteres griegos. Y por lo tanto no puede usar \b para este caso.
Lo que podría hacer es en vez de usar esto:
"αβ αβγ γαβ αβ αβ".replace(/(^|\s)αβ(?=\s|$)/g, "$1AB")
gracias. El uso de la notación de anticipación (? = ...) parece interesante también. ¿Podría hacerse esto sin eso? – cherouvim
@cherouvim: No, consumiría el espacio después de la palabra que es entonces el inicio para la siguiente búsqueda.Entonces, simplemente mirando '" αβ αβ "', la primera coincidencia consumiría '" αβ | αβ "' ('|' indica el puntero interno) y la última parte no coincidiría porque no queda espacio libre. Pero dado que la afirmación de anticipación no consume caracteres, la posición del puntero después del primer partido será '" αβ | αβ "' y el espacio inicial se conserva para el próximo partido. – Gumbo
Esto no es lo mismo que un límite de palabras. No coincide con 'αβ!' Por ejemplo. –
No todas las implementaciones de expresiones regulares asociados con los motores de Javascript Unicode consciente.
Por ejemplo, Microsofts JScript en IE está limitado a ANSI.
No toda aplicación expresión regular Javascript tiene soporte para Unicode anuncio por lo que necesita para escapar de ella
"αβ αβγ γαβ αβ αβ".replace(/\u03b1\u03b2/g, "AB"); // "AB ABγ γAB AB AB"
para el mapeo de los caracteres que se pueden echar un vistazo a http://htmlhelp.com/reference/html40/entities/symbols.html
Por supuesto, esto no ayuda con el problema del límite de palabras (como se explica en otras respuestas), pero al menos debería permitir que coincida con los caracteres correctamente
¿Entonces por qué no usa los mismos escapes Unicode para la cadena también? – Gumbo
Porque uno se analiza como una cadena, y uno como un RegExp literal - No estoy seguro si importa aunque ... –
Pero si la implementación de expresión regular no admite Unicode, ¿cómo es una secuencia de escape Unicode como '\ u03b1' se supone que debe ser interpretado? – Gumbo
Cuando se trata de palabras Unicode y de lenguaje natural, es probable que desee tener más cuidado w ith límites que simplemente usar \b. Consulte this answer para obtener detalles e instrucciones.
que necesitaba algo para ser programable y manejar puntuacion, soportes, etc.
var wordToReplace = '買い手',
replacementWord = '[[BUYER]]',
text = 'Mange 買い手 information. The selected Store and Classification will be the default on the สั่งซื้อ.'
function replaceWord(text, wordToReplace, replacementWord) {
var re = new RegExp('(^|\\s|\\(|\'|"|,|;)' + wordToReplace + '($|\\s|\\)|\\.|\'|"|!|,|;|\\?)', 'gi');
return text.replace(re, replacementWord);
}
He escrito un editor de recursos javascript por lo que esta es la razón por lo que he encontrado esta página y también respondí por necesidad ya que no pude encontrar una palabra equivalente parametrada que funcionara bien para Unicode.
En realidad, debería estar escapando de "wordToReplace" con "\" en caracteres reservados. Tendré que actualizar eso. –
JavaScript no utiliza 'UTF-8' para Unicode. Según el estándar, una implementación puede usar 'UCS-2' o' UTF-16', creo. Esto significa que está operando en texto que se ha convertido a uno de estos formatos, o podría estar operando en un texto donde cada "octeto" (byte) de cada punto de código Unicode se ha convertido a uno de estos formatos, dependiendo de cómo se el código recibe el texto. – hippietrail