使用 Javascript 正则表达式匹配带有重音符号的字符

Question

今天我发现了一个有趣的代码片段：

/\ba/.test("a") --> true
/\bà/.test("à") --> false

然而，

/à/.test("à") --> true

首先，什么鬼？

其次，如果我想匹配一个单词开头的重音字符，该怎么办？（我真的不想使用过于复杂的选择器，比如/(?:^|\s|'|\(\) ....）

- nickf

---

你的WTF的答案是，Javascript在正则表达式中没有正确处理Unicode。请参考标准，了解其应该如何工作。或者使用在这方面符合标准的语言，比如Perl、PHP、PCRE和ICU正则表达式等。举个例子，在这些语言中，"à"肯定匹配模式/\bà/，它们更适合处理Unicode。 - tchrist

你可以删除重音，然后进行简单的[a-z]检查。请参见https://dev59.com/OnNA5IYBdhLWcg3wX8nk - Adriano

Answer 1

这对我有效：

/^[a-z\u00E0-\u00FC]+$/i

在这里得到帮助。

- Wak

---

你的正则表达式无法捕获法语字母“ÿ”和“œ”。尝试使用/^[A-Za-z\u00C0-\u017F]+$/来匹配所有字母。 - Cœur

大写字符的等价物是什么？ - Yanick Rochon

自从什么时候ÿ成为了法语字母？（我是母语法语者...） - Adriano

这个正则表达式包括00F7，它是除号。 - retorquere

Answer 2

/\bà/.test("à")不匹配的原因是"à"不是一个单词字符。转义序列\b仅在单词字符和非单词字符之间的边界处匹配。/\ba/.test("a")匹配是因为"a"是单词字符。因此，在字符串开头（不是单词字符）和单词字符“a”之间有一个边界。

JavaScript中正则表达式中定义的单词字符为[a-zA-Z0-9_]。

要在字符串开头匹配重音符号，只需在正则表达式开头使用^字符（例如/^à/）。该字符表示字符串开头（与\b不同，后者匹配字符串中的任何单词边界）。这是最基本和标准的正则表达式，因此绝对不会过于复杂。

- Riimu

---

啊，好的，这解释了很多事情，但我想我在原问题中说错了。我需要匹配单词的开头，而不是字符串。我认为选择器会变得“过于复杂”的原因是因为它需要匹配字符串、空格、括号、逗号、句号等的开头。 - nickf

+1 我只想补充一点，使用 re.test() 方法时，需要注意 re.lastIndex 属性的行为，该属性包含最后匹配的偏移量（并且是下一次匹配尝试开始的位置）。虽然在这种情况下该方法被应用于正则表达式字面量，但如果正则表达式对象存储在变量中并被多次使用，则这一点很重要。 - ridgerunner

Javascript不符合Unicode标准，因为引用的标准非常明确地说明像à这样的字符绝对意味着在正则表达式中可以匹配\w。 - tchrist

Answer 3

Stack Overflow曾经有一个关于正则表达式中的非ASCII字符的问题，你可以在这里找到。他们没有处理单词边界，但也许还是可以给你一些有用的提示。

还有另一个页面，但他想匹配字符串而不是单词。

我不知道并且现在也没有找到你问题的解决方案，但是当我看到我第一个链接中使用的怪物正则表达式时，你想要避免的那个组合并不过分，我的意见是你的解决方案。

- stema

Answer 4

如果你想匹配字母，无论是否带有重音符号，Unicode 属性转义 可能会有所帮助。

/\p{Letter}*/u.test("à"); // true
/\p{Letter}/u.test('œ'); // true
/\p{Letter}/u.test('a'); // true
/\p{Letter}/u.test('3'); // false
/\p{Letter}/u.test('a'); // true

匹配单词开头有些棘手，但是(?<=(?:^|\s))似乎可以解决问题。其中(?<= )是一个正向后瞻，确保主表达式前面存在某些内容。(?: )是一个非捕获组，所以您不会在稍后使用的任何匹配中引用此部分。然后，如果未设置多行标志，则^将匹配字符串的开头，如果设置了多行标志，则匹配行的开头，而\s将匹配空格字符（空格/制表符/换行符）。

因此，将它们结合起来，它应该像这样：/(?<=(?:^|\s))\p{Letter}*/u 如果您只想匹配带重音符号的字符，请使用否定字符集a-zA-Z。

/(?<=(?:^|\s))[^a-zA-Z]\p{Letter}*/u.match("bœ") // false
/(?<=(?:^|\s))[^a-zA-Z]\p{Letter}*/u.match("œb") // true

// Match characters, accented or not
let regex = /\p{Letter}+$/u;

console.log(regex.test("œb")); // true
console.log(regex.test("bœb")); // true
console.log(regex.test("àbby")); // true
console.log(regex.test("à3")); // false
console.log(regex.test("16 tons")); // true
console.log(regex.test("3 œ")); // true

console.log('-----');

// Match characters to start of line, only match characters

regex = /(?<=(?:^|\s))\p{Letter}+$/u;

console.log(regex.test("œb")); // true
console.log(regex.test("bœb")); // true
console.log(regex.test("àbby")); // true
console.log(regex.test("à3")); // false

console.log('----');

// Match accented character to start of word, only match characters

regex = /(?<=(?:^|\s))[^a-zA-Z]\p{Letter}+$/u;

console.log(regex.test("œb")); // true
console.log(regex.test("bœb")); // false
console.log(regex.test("àbby")); // true
console.log(regex.test("à3")); // false

- Amy Shackles

---

这绝对是最好的答案 - 当前的答案缺少许多字母并包含非字母字符。我已经添加了一个到MDN页面的链接。 - mikemaccana

Answer 5

const regex = /^[\-/A-Za-z\u00C0-\u017F ]+$/;
const test1 = regex.test("à");
const test2 = regex.test("Martinez-Cortez");
const test3 = regex.test("Leonardo da vinci");
const test4 = regex.test("ï");

console.log('test1', test1);
console.log('test2', test2);
console.log('test3', test3);
console.log('test4', test4);

在 Wak 和 Cœur 的回答基础上：

/^[\-/A-Za-z\u00C0-\u017F ]+$/

这个正则表达式可以匹配空格和破折号。

例如：Leonardo da Vinci，Martinez-Cortez

最初的回答。

- Craig1123

---

你的示例中没有包含任何重音字符，这是 OP 的要求。 - alexandre-rousseau

Answer 6

Unicode允许一些带有重音符号的字符有两种可选但等效的表示形式。例如，é 有两种Unicode表示形式：'\u0039' 和 '\u0065\u0301'。前者被称为组合形式，后者被称为分解形式。JavaScript允许在两种形式之间进行转换：

'é'.normalize('NFD') // decompose: '\u0039' -> '\u0065\u0301'
'é'.normalize('NFC') // compose: '\u0065\u0301' -> '\u0039'
'é'.length // composed form: -> 1
'é'.length // decomposed form: -> 2 (looks identical but has different representation)
'é' == 'é' // -> false (composed and decomposed strings are not equal)

代码点'\u0301'属于Unicode组合变音标记代码块0300-036F。因此，匹配这些带重音符号的一种方法是以分解形式进行比较：

// matching accented characters
/[a-zA-Z][\u0300-\u036f]+/.test('é'.normalize('NFD')) // -> true
/\bé/.test('é') // -> false
/\bé/.test('é'.normalize('NFD')) // -> true (NOTE: /\bé/ uses the decomposed form)

// matching accented words
/^\w+$/.test('résumé') // -> false
/^(?:[a-zA-Z][\u0300-\u036f]*)+$/.test('résumé'.normalize('NFD')) // -> true

- virtuoso

---

有趣！但是看起来你得到了错误的组合字符编码。根据我的Firefox浏览器和ISO-Latin，它似乎应该是'\u00e9'而不是'\u0039'用于' é'。 - Sebastian