.Net正则表达式：什么是单词字符\w？

Question

简单问题： 在C#和.NET中，字符“\w”的模式是什么？

我最初的想法是它匹配“[A-Za-z0-9_]”，而文档告诉我：

字符类    描述          模式     匹配
\w       匹配任何单词字符   \w      "I", "D", "A", "1", "3"
                           在"ID A1.3"中

这并没有提供太多帮助。 而且，\w似乎也匹配“äöü”。还有其他的吗？有没有更好（准确）的定义？

- tanascius

Answer 1

从文档中：

单词字符：\w

\w匹配任何单词字符。单词字符是指下表中列出的Unicode类别的成员。

• Ll（字母，小写）
• Lu（字母，大写）
• Lt（字母，标题大小写）
• Lo（字母，其他）
• Lm（字母，修饰符）
• Nd（数字，十进制数字）
• Pc（标点符号，连接符）
  • 此类别包括十个字符，其中最常用的是LOWLINE字符（_），u+005F。

如果指定了ECMAScript兼容行为，\w等同于[a-zA-Z_0-9]。

另请参阅

• Unicode字符数据库
• “标点符号，连接器”类别中的Unicode字符

- polygenelubricants

---

所以，如果我使用\w+，这可能会匹配任何单词，只要它的内容是小写、大写字母、数字1-9和一些（10个）特殊字符（如下划线）。并且这将是编写类似于[a-zA-Z1-9_]+的简写方式。 - Eric Bishard

Answer 2

基本上，它匹配各种脚本中可以被认为是直观定义的字母，再加上下划线和其他一些奇怪的字符。

你可以使用以下微小的PowerShell片段找到完整的列表（至少适用于BMP）：

0..65535 | ?{([char]$_) -match '\w'} | %{ "$_`: " + [char]$_ }

- Joey

Answer 3

经过一些研究，使用'\w'在.NET中等同于：

public static class Extensions { 
    /// <summary>
    /// The word categories.
    /// </summary>
    [NotNull]
    private static readonly HashSet<UnicodeCategory> _wordCategories = new HashCollection<UnicodeCategory>(
                new[]
                {
            UnicodeCategory.DecimalDigitNumber,
            UnicodeCategory.UppercaseLetter,
            UnicodeCategory.ConnectorPunctuation,
            UnicodeCategory.LowercaseLetter,
            UnicodeCategory.OtherLetter,
            UnicodeCategory.TitlecaseLetter,
            UnicodeCategory.ModifierLetter,
            UnicodeCategory.NonSpacingMark,
                });

    /// <summary>
    /// Determines whether the specified character is a word character (equivalent to '\w').
    /// </summary>
    /// <param name="c">The c.</param>
    public static bool IsWord(this char c) => _wordCategories.Contains(char.GetUnicodeCategory(c));
}

我将这段代码写成了扩展方法，以便在任何字符 c 上使用时更加方便。只需调用 c.IsWord()，如果该字符是单词字符，则返回 true 。这比使用正则表达式快得多。

有趣的是，这似乎与.NET规范不匹配，实际上'\w'与938个“NonSpacingMark”字符匹配，而这些字符并没有被提及。

总的来说，这匹配了65,535个字符中的49,760个，因此网站上经常显示的简单正则表达式是不完整的。

- thargy

---

谢谢你，你帮我省了很多时间。我认为你还需要将“UnicodeCategory.SpacingCombiningMark”添加到单词类别中。我正在处理孟加拉语（我不会说），这类字符是重要的单词字符。 - D. Tony