为什么[A-Za-z0-9] *匹配sed中非ASCII字母之间的空格？

Question

我试图在文件中标记所有拉丁字母组件，例如：

This is English. 这是中文。 This is more English.

这将标记为：

\english{This is English.} 这是中文。 \english{This is more English.}

我尝试使用sed标记字词：

sed 's/[A-Za-z0-9 ]*/\\english{&}/g' file

运行之后，它大多是正确的，但是，它也在所有中文字符之间放置标记，例如：

\english{This is English.} 这\english{}是\english{}中\english{}文\english{}。 \english{This is more English.}

它也标记只是空格的地方，但不需要标记，例如：

这是中文。 这也是中文。

这变为：

这是中文。\english{ }这也是中文。

如何修改此sed脚本，使其不会将字符间的空格标记为\english{}，并且不会在文件中放置任何\english{ }？

Answer 1

使用GNU sed的一种方式：

LC_ALL="POSIX" sed -r 's/[^\o200-\o377]+/\\english{&}/g' file.txt

结果：

\english{This is English. }这是中文。\english{ This is more English.}

Answer 2

字符之间的标记是由*引起的，表示“零或更多”。如果您的意思是“一个或多个”，请使用\+代替*。

如果您不想匹配单个空格，可以使用例如

sed 's/[A-za-z0-9][A-Za-z0-9 ]*/\\english{&}/g'

表示必须至少有一个非空格字符。

Answer 3

[A-Za-z0-9 ]*实质上意味着匹配任何拉丁字母，阿拉伯数字和空格。

您需要([A-Za-z][-A-Za-z0-9 ,.!?']*)

之类的内容

有很好的RegExp实验工具，如RegexPal

Answer 4

您的正则表达式意味着：匹配任何字母数字字符和任何空格。因此，中文文本之间的空格也是匹配的。

试试这个：

 's/[A-Za-z0-9]* */\\english{&}/g' file

含义匹配任何字母数字字符，后跟零个或多个空格。