在Ruby正则表达式中，\w能够匹配中文字符吗？

Question

我使用以下代码：

我使用以下代码：

puts "matched"  if "中国" =~ /\w+/

在it技术中，它会将"matched"与给定内容进行匹配，让我感到惊讶的是，"中国"是两个汉字，不包含0-9、a-z、A-Z和_，但为什么它会输出"matched"。

请问有人能提供一些线索吗？

- ywenbo

---

可能是重复的问题：如何在Ruby中使用UTF8正则表达式 - moinudin

它们不是相同的对话框，你指向的链接讨论如何验证中文字符，我的问题是为什么\w匹配UTF-8中文字符。 - ywenbo

不同的引擎有不同的解释吧，.net等引擎视中文为\w，所有的浏览器所使用的引擎都将中文视为\W，个人赞同前者。 - dexiang

Answer 1

我不确定 Ruby 使用的正则表达式具体是什么样子，但这并不仅限于 Ruby，因为 .net 也是这样工作的。MSDN 对此有 解释：

\w
匹配任何单词字符。对于非 Unicode 和 ECMAScript 实现，这与 [a-zA-Z_0-9] 相同。在 Unicode 分类中，这与 [\p{Ll}\p{Lu}\p{Lt}\p{Lo}\p{Nd}\p{Pc}] 相同。

所以，\w 并不一定只意味着 [a-zA-Z_0-9] - 它（以及其他运算符）在 Unicode 字符串上的操作方式与它们在 ASCII 字符串上的操作方式不同。

但这仍然使它与 . 不同，因为 \w 不会匹配标点符号（或多或少，看 \p{Lo} 列表），空格，换行和其他各种非单词符号。

至于 \p{Ll}\p{Lu}\p{Lt}\p{Lo}\p{Nd}\p{Pc} 到底匹配什么，可以在 Unicode 参考列表上查看：

• \p{Ll} 小写 Unicode 字母
• \p{Lu} 大写 Unicode 字母
• \p{Lt} 首字母大写的 Unicode 字母
• \p{Lo} 其他 Unicode 字母

\p{Nd} 十进制数字

\p{Pc} 标点符号连接器

- Michael Low

---

实际上，\w 对于中文或带重音符号的字符对我来说不起作用，但是 \p{Word} 可以。 - Asped

Answer 2

Oniguruma是Ruby 1.9+中的正则表达式引擎，将\w定义为：

[\w]       word character

           Not Unicode:
           * alphanumeric, "_" and multibyte char. 
           Unicode:
           * General_Category -- (Letter|Mark|Number|Connector_Punctuation)

从1.9版本开始，Ruby会自动检测字符串是否包含Unicode字符，并自动切换到Unicode模式进行模式匹配。

- the Tin Man