带有 unicode 变音符号的正则表达式断字

Question

我正在开发一个应用程序，该应用程序根据用户的输入使用正则表达式搜索文本。用户的一种选择是使用星号包含“匹配 0 个或多个字符”通配符。我需要这个只在单词边界之间匹配。我的第一次尝试是将所有星号转换为 (?:(?=\B).)*，这在大多数情况下都可以正常工作。它失败的地方显然是 .Net 认为带有变音符号的 unicode 字符与另一个字符之间的位置是断词。我认为这是一个错误，并已将其提交到 Microsoft 反馈网站< /a>.

然而，与此同时，我需要实现功能并交付产品。我正在考虑使用 [\p{L}\p{M}\p{N}\p{Pc}]* 作为替换文本，但是，坦率地说，我处于“我不真正明白这将要做什么”土地。我的意思是，我可以阅读规范，但不相信我可以充分测试它以确保它符合我的预期。我根本不知道要测试的所有边界条件。该应用程序由跨文化工作者使用，其中许多人居住在部落地区，因此需要支持任何和所有书写系统，包括一些使用零宽度分词的系统。

有谁有更优雅的解决方案，或者可以确认/更正上面的代码，或者提供一些指示？

感谢您的帮助。

Answer 1

在 unicode 上下文中， /(?:(?=\B).)*/ 的等价物将是：

/
(?:
  (?: (?<=[\p{L}\p{M}\p{N}\p{Pc}]) (?=[\p{L}\p{M}\p{N}\p{Pc}])
  |   (?<![\p{L}\p{M}\p{N}\p{Pc}]) (?![\p{L}\p{M}\p{N}\p{Pc}])
  )
  .
)*
/

...或稍微简化：

/(?:[\p{L}\p{M}\p{N}\p{Pc}]+|[^\p{L}\p{M}\p{N}\p{Pc}]+)?/

这将匹配单词或非单词 (空格、标点符号等）序列，可能是一个空序列。

正常或否定的字边界（\b 或 \B）基本上是双重环顾。向后看，确保当前位置之前的字符类型。同样，一个人向前看。

在第二个正则表达式中，我删除了环视并使用简单的字符类代替。