替换所有非单词字符，如?*+#

Question

我需要帮助将字符串中的所有非单词字符替换掉。

例如，(stadtbezirkspräsident' 应该变成 stadtbezirkspräsident。

这个正则表达式应该适用于所有语言，所以有些棘手，因为我不知道如何匹配像 ñ 或者 œ 这样的字符。我尝试用下面这个正则表达式来解决：

string.replace(/[&\/\\#,+()$~%.'":*?<>-_{}]/g,' ');

但是仍然有太多特殊字符，比如 Ø 。

也许有一般的选择器可以解决这个问题，或者有人之前已经解决过这个问题？

- BeMoreDifferent.com

---

Ø是各种语言（例如丹麦语）中的一个字母 :) - Dominik Honnef

类似于这个问题：https://dev59.com/M3E95IYBdhLWcg3wPrkI。JavaScript正则表达式没有任何本地的Unicode感知匹配器。 - ben author

Answer 1

如果您自己定义了所有Unicode范围，那么工作量将非常大。使用Steven Levithan的XRexExp包和Unicode附加组件可能更有意义，并利用其Unicode属性快捷方式。请参考：XRexExp package with Unicode add-ons。

var regex = new XRegExp("\\P{L}+", "g")
string = XRegExp.replace(string, regex, "")

- Tim Pietzcker

Answer 2

尝试使用技巧

str.replace(/(?!\w)[\x00-\xC0]/g, '')

- Ωmega

---

@TimPietzcker - 我知道，但我的解决方案仅删除低十六进制范围内的特殊字符。 - Ωmega

是的，你刚编辑完我的评论吗？好的，但仍有足够多的字符无法被捕捉到（即使在8位ANSI集合中：例如×和÷）。 - Tim Pietzcker

答案是错误的，因为它在Latin 1 Supplement中没有区分字母和非字母。此外，问题明确说明：“这个正则表达式应该适用于所有语言”。 - Jukka K. Korpela

@JukkaK.Korpela - 即使\p{L}也不是一个好的选择，因为它是“类别字母”，而不是非单词类。但无论如何，享受你的负评吧...我仍然相信我的解决方案是OP需要的，即使我同意它并不是100%复杂和正确的。 - Ωmega

我认为这个答案也不应该被踩。问题定义得不够清晰，无法决定哪种解决方案最好。 - Tim Pietzcker

Answer 3

这更像是对Tim Pietzcker答案的评论，但在评论中展示代码很尴尬...这里有一个使用XRexExp包的简单示例：

<p id=orig>Bundespräsident / ß+ð/ə¿α!</p>
<p id=new></p>
<script src="http://cdnjs.cloudflare.com/ajax/libs/xregexp/2.0.0/xregexp-min.js">
</script>
<script src="http://xregexp.com/addons/unicode/unicode-base.js">
</script>
<script>
var regex = new XRegExp("\\P{L}+", "g");
var string = document.getElementById('orig').innerHTML;
string = XRegExp.replace(string, regex, "");
document.getElementById('new').innerHTML = string;
</script>

对于生产使用，您可能需要下载一些基础包和Unicode插件的版本，并在服务器上使用它们。

注意：代码检查未被分类为字母（字母表）的字符。我想这对应于您所说的“单词字符”，尽管自然语言中的单词可能包含连字符、撇号和其他非字母字符。

请注意，字符会添加到Unicode中，字符的类别可能会（很少）更改。但是，该软件包已经得到了良好的维护；它对应于Unicode 6.1（版本6.2已发布，但没有新字母）。

- Jukka K. Korpela