为什么 \w 在 javascript 正则表达式中只匹配英文单词？

Question

我正在尝试使用 javascript 代码在某些文本中查找 URL。 问题是，我使用的正则表达式使用 \w 来匹配 URL 中的字母和数字，但它不匹配非英语字符（在我的例子中是希伯来字母）。

那么我可以使用什么来代替 \w 来匹配所有语言中的所有字母呢？

Answer 1

我刚刚发现了 XRegExp ，它还没有被提及，我对它印象深刻。 它是一种替代的正则表达式实现，具有 unicode 插件，并根据 MIT 许可证获得许可。

根据该网站，要匹配 unicode 字符，您可以使用以下代码：

var unicodeWord = XRegExp("^\\p{L}+$");

unicodeWord.test("Русский"); // true
unicodeWord.test("日本語"); // true
unicodeWord.test("العربية"); // true

Answer 2

试试这个 \p{L}
unicode 正则表达式到字母

Answer 3

也许 \S （非空白）。

Answer 4

看看 http://www.regular-expressions.info/refunicode.html。

看起来 unicode 没有 \w 等效项，但您可以匹配单个 unicode 字母，因此您可以创建它。

Answer 5

检查这个关于 JavaScript 和 Unicode 的问题。 看起来 Jan Goyvaerts 的回答给你带来了一些希望。

编辑：但似乎所有浏览器都不支持 \p ... 无论如何。 这个问题应该包含有用的信息。

Answer 6

如果您生成的网址中包含非英文字母，您可能需要重新考虑。

如果我正确解释 W3C，URL 只能包含以下单词字符拉丁字母。

Answer 7

请注意，W3C 指定 URI（作为 URL 的超集）仅允许 US-ASCII 字符。
通常所有其他字符应该用百分比表示法表示：

在当地或区域背景下，
改进技术，用户可能
受益于能够使用更广泛的
字符范围； 这样的使用不是
由本规范定义。
百分比编码八位位组（第 2.1 节）
可以在 URI 中使用来表示
超出范围的字符
US-ASCII 编码字符集如果是这样
代表是由
方案或通过协议元素
URI 被引用。 这样一个
定义应指定
用于映射这些的字符编码
之前将字符转换为八位字节
URI 的百分比编码。 // URI：通用语法

一般情况下是这样的当您在浏览器中打开包含非 ASCII 字符的 URL 时会发生这种情况，它们会被转换为 %AB 表示法，而该表示法又 US-ASCII。

如果可以影响材料的创建方式，最好的选择是在创建过程中将 URL 置于 urlencode() 类型函数的控制之下。

Answer 8

因为 \w 仅匹配 ASCII 字符 48-57 ('0'-'9')、67-90 ('A'-'Z') 和 97-122 ('a'-'z') '）。 希伯来语字符和其他特殊外语字符（例如变音符号-o 或波形符-n）不在该范围内。

您可能最好寻找描述单词的字符（空格、引号和其他标点符号），而不是匹配外语字符（外语字符非常多，位于许多不同的 ASCII 范围内）。

Answer 9

ECMA 262 v3 标准定义了通常称为 JavaScript 的编程语言，规定 \w 应等效于 [a-zA-Z0-9_]，并且 \d > 应等于 [0-9]。 另一方面，根据标准，\s 匹配 ASCII 和 Unicode 空白。

JavaScript 也不支持用于匹配 Unicode 内容的 \p 语法，因此没有一个好的方法来做到这一点。 您可以将所有希伯来语字符与：

[\u0590-\u05FF]

这仅匹配希伯来语块中的任何代码点。

您可以将任何 ASCII 单词字符或任何希伯来语字符与：

[\w\u0590-\u05FF]

Answer 10

我认为您正在寻找这个正则表达式：

^[אבגדהוזחטיכלמנסעפצקרשתץףןםa-zA-z0-9\s\.\-_\\\/]+$