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:
发表回复