Regex शब्द सीमा \ b

Question

संभव डुप्लिकेट (जर्मन में विशेष वर्ण) उमलॉट साथ समस्या है:
Javascript RegExp + Word boundaries + unicode characters

ECMA स्क्रिप्ट regex में (यहां संदर्भ के लिए परीक्षण किया: http://regexpal.com/) मैं शब्द सीमाओं के साथ झूठी सकारात्मक (\b का उपयोग करके) और उमलॉट वर्ण। उदाहरण

regex के लिए \bPflanzen\b

"Pflanzenöl" से मेल नहीं करना चाहिए, लेकिन यह करता है। अगर मैं ö को oe में बदलता हूं तो सब कुछ काम करता है। रेगेक्स शब्दों का हिस्सा बनने के लिए उमलों पर विचार नहीं करता है हालांकि वे कई भाषाओं में हैं।

सबसे अच्छा कामकाज क्या है?

Answer 1

रेगेक्स इंजन के अलग-अलग विचार हैं कि शॉर्टेंड चरित्र वर्ग कैसे काम करते हैं। \b\w से निकटता से जुड़ा हुआ है जो लगभग सभी regex कार्यों में लगभग बेकार है लेकिन दुखद रूप से अपने निरंतर अस्तित्व को न्यायसंगत साबित करने के लिए कई मामलों के लिए "पर्याप्त पर्याप्त" साबित करता है।

इस मामले में, जावास्क्रिप्ट केवल \w के लिए ASCII [a-zA-Z0-9_] मानता है और \b के बाद से \w से एक चरित्र और कुछ है कि नहीं कर रहा है आप मनाया व्यवहार मिलेगा जो स्थान से मेल खाता है।

सामान्य वैकल्पिक हल \b के बजाय lookaround उपयोग करने के लिए है:

(?<![a-zA-ZäöüßÄÖÜ])Pflanzen((?![a-zA-ZäöüßÄÖÜ])) 

हालांकि, जावास्क्रिप्ट भी lookbehind का समर्थन नहीं करता है, तो हम कुछ और करने की जरूरत है:

(^|[^a-zA-ZäöüßÄÖÜ])Pflanzen(?![a-zA-ZäöüßÄÖÜ]) 

कौन से मेल खाएंगे या तो उस वर्ग से नहीं स्ट्रिंग या एक चरित्र की शुरुआत। किसी भी मामले में, यह गन्दा है। यह समय के बारे में है, जावास्क्रिप्ट को यूनिकोड और लुकराउंड सहित उचित रेगेक्स समर्थन मिलता है।