\w 是否匹配 Unicode 标准中定义的所有字母数字字符？

Question

Perl 的 \w 是否匹配 Unicode 标准中定义的所有字母数字字符？

例如，\w 是否匹配所有（例如）中文和俄语字母数字字符人物？

我编写了一个简单的测试脚本（见下文），它表明 \w 确实与我测试的非 ASCII 字母数字字符“按预期”匹配。但测试显然远非详尽无遗。

#!/usr/bin/perl                                                                                                                                                                                                  

use utf8;

binmode(STDOUT, ':utf8');

my @ok;
$ok[0] = "abcdefghijklmnopqrstuvwxyz";
$ok[1] = "éèëáàåäöčśžłíżńęøáýąóæšćôı";
$ok[2] = "şźüęłâi̇ółńśłŕíáυσνχατςęςη";
$ok[3] = "τσιαιγολοχβςανنيرحبالтераб";
$ok[4] = "иневоаслкłјиневоцедањеволс";
$ok[5] = "рглсывызтоμςόκιναςόγο";

foreach my $ok (@ok) {
    die unless ($ok =~ /^\w+$/);
}

Answer 1

perldoc perlunicode 说

正则表达式中的字符类匹配字符而不是字节，并与 Unicode 属性数据库中指定的字符属性匹配。例如，\w 可用于匹配日语表意文字。

所以看起来你的问题的答案是“是”。

但是，您可能希望使用 \p{} 构造来直接访问特定的 Unicode 字符属性。您可以使用 \p{L} （或者更短，\pL）来表示字母，使用 \pN 来表示数字，这样会感觉更方便一些相信您会得到您想要的。

Answer 2

是和不是。

如果您想要所有字母数字，则需要 [\p{Alphabetic}\p{GC=Number}]。 \w 包含的内容既多又少。它特别排除任何既不是 \p{Nd} 也不是 \p{Nl} 的 \pN，例如上标、下标和分数。这些是 \p{GC=Other_Number}，并且不包含在 \w 中。

因为与大多数正则表达式系统不同，Perl 遵守 要求 1.2a，“兼容性属性”，来自 Unicode 正则表达式上的 UTS #18，然后假设您有 Unicode 字符串 <正则表达式中的 code>\w 匹配具有以下四个属性之一的任何单个代码点：

1. \p{GC=Alphabetic}
2. \p{GC=Mark}< /code>
3. \p{GC=Connector_Punctuation}
4. \p{GC=Decimal_Number}

上面的数字 4 可以用以下任何一种方式表示，这些方式都被认为是等效的：

• <代码>\p{数字}
• <代码>\p{General_Category=Decimal_Number}
• \p{GC=Decimal_Number}
• \p{Decimal_Number} >
• \p{Nd}
• \p{Numeric_Type=Decimal}
• \p{Nt=De}

请注意 \p{Digit } 与 \p{Numeric_Type=Digit} 不同。例如，代码点 B2 SUPERSCRIPT 2 仅具有 \p{Numeric_Type=Digit} 属性，而不是普通的 \p{Digit}。这是因为它被视为 \p{Other_Number} 或 \p{No}。然而，正如您所想象的，它确实具有 \p{Numeric_Value=2} 属性。

实际上，上面的第一点 \p{Alphabetic} 给人们带来了最大的麻烦。这是因为他们经常错误地认为它在某种程度上与 \p{Letter} (\pL) 相同，但事实并非如此。

字母表包含的内容远不止这些，这一切都是因为 \p{Other_Alphabetic} 属性，因为这又
包括部分但不是全部\p{GC=Mark}、所有\p{Lowercase}（与不同） >\p{GC=Ll} 因为它添加了 \p{Other_Lowercase}) 和所有 \p{Uppercase} （这与\p{GC=Lu} 因为它添加了 \p{Other_Uppercase})。

这就是它如何像罗马数字一样引入 \p{GC=Letter_Number} 以及
所有带圆圈的字母，其类型为 \p{Other_Symbol} 和 \p{Block=Enheld_Alphanumerics}。

你不高兴我们使用 \w 吗？ :)

Answer 3

特别是 \w 也匹配下划线字符。

#!/usr/bin/perl -w
$name = 'Arun_Kumar';
($name =~ /\w+/)? print "Underscore is a word character\n": print "No underscores\n";
$ underscore.pl 

下划线是一个单词字符。