了解这个新的知识点,须要对文本的编码很是熟悉,否则意识不到这个功能的意义。对于文本的编码须要了解两个概念:字符编码和文件编码。html
ASCII
和 Unicode
UTF-8
、GBK
等。字符编码和文件编码的关系能够用一句话来归纳:文件编码和字符编码没有关系,也就是说即便指定了文件编码,字符变也能够灵活选择而不受任何限制。正则表达式
根据 Unicode
规范,每个 Unicode
字符除了有惟一的码点,还具备其它属性:express
Unicode Property
Unicode Script
Unicode Block
这些通常用在正则里面。学习
它按照字符的功能对字符进行分类,一个字符只能属于一个 Unicode Property
。也就是说 Property
并不关心字符所属的语言,只关心字符的功能。编码
能够将Unicode property
理解为字符组,将小写 p
改为大写,就是该字符组的排除型字符组。想一想看 \\d
匹配 0-9
这个字符组,而 \\D
匹配 0-9
之外的字符组。spa
let input = 'abcdAeCd中国' console.log(input.match(/\p{L}/ug)) // ["a", "b", "c", "d", "A", "e", "C", "d", "中", "国"]
这段代码的含义是在输入中匹配全部的字符(不限语言),这里使用的是 Unicode Property:{L}
,这个属性的含义是任何语言的任何字母。它有点等同于code
let input = 'abcdAeCd中国' console.log(input.match(/./sg))
{Ll}
[任何具备大写字母的小写字母]{N}
[任何语言下的数字]更多的 Unicode Property
请查阅 官网htm
按照字符所属的书写系统来划分字符,它通常对应某种语言。好比 \\p{Script=Greek}
表示希腊语,\\p{Script=Han}
表示汉语。blog
匹配下列字符串中的中文ip
let input = `I'm chinese!我是中国人` console.log(input.match(/\p{Script=Han}+/u)) // ["我是中国人", index: 12, input: "I'm chinese!我是中国人", groups: undefined]
若是不适用这个新功能点,在 ES9
以前大概只能这样作:
let input = `I'm chinese!我是中国人` console.log(input.match(/[\u4e00-\u9fa5]+/)) // ["我是中国人", index: 12, input: "I'm chinese!我是中国人", groups: undefined]
虽然不一样的写法看上去结果同样,然而时光飞逝,Unicode
在2017年6月发布了10.0.0
版本。在这20年间,Unicode
添加了许多汉字。好比Unicode 8.0
添加的 109 号化学元素「鿏(⿰⻐麦)」,其码点是9FCF
,不在这个正则表达式范围中。而若是咱们指望程序里的/[\\u4e00-\\u9fa5]/
能够与时俱进匹配最新的Unicode
标准,显然是不现实的事情。如今只须要在Unicode Scripts
找到对应的名称便可,而不须要本身去计算全部对应语言字符的的Unicode
范围。
将 Unicode
字符按照编码区间进行划分,因此每个字符都只属于一个 Unicode Block
,举例说明:
\\p{InBasic_Latin}: U+0000–U+007F
\\p{InLatin-1_Supplement}: U+0080–U+00FF
\\p{InLatin_Extended-A}: U+0100–U+017F
\\p{InLatin_Extended-B}: U+0180–U+024F
目前 JavaScript RegExp
还不支持 Unicode Block