JavaScript 中使用正则 `u` 标记匹配多语言

JavaScript 里使用 Unicode 编码字符串。Unicode 是一种可变长度的编码类型，大部分时候，它用两个字节表示一个字符，大部分常见字符都在这 65536 的范围内。一些少见字符，比如各种语言文字、emoji，则会用到 4 个字节。

以前我们用正则校验字符串的时候，可以用 /[a-zA-Z0-9]/ 检查字符，这样对英文和数字没问题，但不能匹配中文。如果要匹配中文和中文标点，可以用：

/[\u4E00-\u9FCC\u3002\uff1b\uff0c\uff1a\u201c\u201d\uff08\uff09\u3001\uff1f\u300a\u300b]+/g

ES2018 之后，我们可以使用 Unicode 属性 \p{...} 来匹配某一个类型的字符串，配合 /u 标记，就可以方便地匹配多字节字符串了。

在匹配多语言文字时，可以传入 Script 参数，达到非常高效且简便的写法。比如中文，就是 \p{sc=Han}，上面那么长的穷举（其实还没举完）正则只需要这么几个简单的字符就能替换，简单多了，对吧？借用下别人的例子：

let regexp = /\p{sc=Han}/gu; // returns Chinese hieroglyphs

let str = `Hello Привет 你好 123_456`;

alert( str.match(regexp) ); // 你,好

我们还可以用这个属性来匹配俄文：\p{sc=Cyrillic}。不过有趣的是，欧洲诸国文字多少有些区别，除了我们最熟悉的英文 26 个字母，德文就有 ü、ö、ä，法文也有 ù，但它们都是拉丁文， \p{sc=Latin}，甚至土耳其文也是，只有俄文不一样。

Babel 也包含了对应的插件：@babel/plugin-proposal-unicode-property-regex · Babel (babeljs.io)，在古早浏览器里可以转换成非 Unicode 形态，所以基本上可以放心使用。

还是要不断更新自己的知识才行呀。

---

参考文章：

• Unicode: flag “u” and class \p{…}
• Script (Unicode)