Question

从我之前的问题Why under locale-pragma word characters do not match?和How to change nested quotes我了解到，在处理UTF-8数据时，您不能将\w信任为word-char，并且必须使用Unicode字符属性\p{Word}。现在，我发现零宽度字边界\b也不适用于UTF-8（启用了区域设置），但我没有在Unicode字符属性中找到任何等效字符。我想我可以自己构建它：(?<=\P{Word})(\p{Word}+)(?=\P{Word})，它应该等同于\b(\w+)\b。

在下面的测试脚本中，我有两个数组来测试两个不同的正则表达式。当未启用语言环境时，基于\b的第一个工作正常。为了使它也能与locales一起工作，我编写了另一个模拟边界(?=\P{Word})的版本，但它没有按照我的预期工作（我也在脚本中显示了预期的结果）。

你是否看到了什么问题以及如何使用ASCII（或没有语言环境）首先使用模拟的正则表达式工作？

#!/usr/bin/perl

use 5.010;
use utf8::all;
use locale; # et_EE.UTF-8 in my case
$| = 1;

my @test_boundary = (  # EXPECTED RESULT:
  '"abc def"',         # '«abc def»'
  '"abc "d e f" ghi"', # '«abc «d e f» ghi»'
  '"abc "d e f""',     # '«abc «d e f»»'
  '"abc "d e f"',      # '«abc "d e f»'
  '"abc "d" "e" f"',   # '«abc «d» «e» f»'
  # below won't work with \b when locale enabled
  '"100 Естонiï"',     #  '«100 Естонiï»'
  '"äöõ "ä õ ü" ï"',   # '«äöõ «ä õ ü» ï»'
  '"äöõ "ä õ ü""',     # '«äöõ «ä õ ü»»'
  '"äöõ "ä õ ü"',      # '«äöõ «ä õ ü»'
  '"äöõ "ä" "õ" ï"',   # '«äöõ «ä» «õ» ï»'
);

my @test_emulate = (   # EXPECTED RESULT:
  '"100 Естонiï"',     # '«100 Естонiï»'
  '"äöõ "ä õ ü" ï"',   # '«äöõ «ä õ ü» ï»'
  '"äöõ "ä õ ü""',     # '«äöõ «ä õ ü»»'
  '"äöõ "ä õ ü"',      # '«äöõ "ä õ ü»'
  '"äöõ "ä" "õ" ï"',   # '«äöõ «ä» «õ» ï»'
);

say "BOUNDARY";
for my $sentence ( @test_boundary ) {
  my $quote_count = ( $sentence =~ tr/"/"/ );

  for ( my $i = 0 ; $i <= $quote_count ; $i += 2 ) {
    $sentence =~ s/
      "(                          # first qoute, start capture
        [\p{Word}\.]+?            # suva word-char
        .*?\b[\.,?!»]*?           # any char followed boundary + opt. punctuation
      )"                          # stop capture, ending quote
      /«$1»/xg;                   # change to fancy
  }
  say $sentence;
}

say "EMULATE";
for my $sentence ( @test_emulate ) {
  my $quote_count =  ( $sentence =~ tr/"/"/ );

  for ( my $i = 0 ; $i <= $quote_count ; $i += 2 ) {
    $sentence =~ s/
      "(                         # first qoute, start capture
      [\p{Word}\.]+?             # at least one word-char or point
      .*?(?=\P{Word})            # any char followed boundary 
      [\.,?!»]*?                 # optional punctuation
      )"                         # stop capture, ending quote
      /«$1»/gx;                  # change to fancy
  }
  say $sentence;
}

Answer 1

由于\b位置之后的字符是标点符号或"（为了安全起见，请仔细检查\p{Word}是否与其中任何一个都不匹配）进入案件\b\W。因此，我们可以使用以下代码模拟\b

(?<=\p{Word})

我不熟悉Perl，但是从what I tested here开始，当编码设置为UTF-8时，似乎\w（和\b）也能很好地工作。

$sentence =~ s/
  "(
    [\w\.]+?
    .*?\b[\.,?!»]*?
  )"
  /«$1»/xg;

如果您升级到Perl 5.14及更高版本，则可以使用u标志将字符集设置为Unicode。

您可以使用此一般策略来构造与字符类对应的边界。（就像\b词边界定义基于\w）的定义一样。

让C成为角色类。我们想要定义一个基于字符类C的边界。

当您知道当前字符属于C字符类（相当于(\b\w)）时，下面的构造将模拟前面的边界：

(?<!C)C

或落后（相当于\w\b）：

C(?!C)

为什么是负面的环顾？因为正面的环顾（带有互补的字符类）也会断言必须有前后的字符（断言 width 前后至少1）。负面的环顾将允许字符串开头/结尾的情况，而无需编写繁琐的正则表达式。

\B\w仿真：

(?<=C)C

，同样\w\B：

C(?=C)

\B与\b正好相反，因此，我们只需翻转正面/负面环视即可模拟效果。这也是有道理的 - 只有在前方/后方有更多角色时才能形成非边界。

其他模拟（让c成为C的补充字符类）：

\b\W：(?<=C)c
\W\b：c(?=C)
\B\W：(?<!C)c
\W\B：c(?!C)

用于模拟独立边界（相当于\b）：

(?:(?<!C)(?=C)|(?<=C)(?!C))

独立的非边界（相当于\B）：

(?:(?<!C)(?!C)|(?<=C)(?=C))

Answer 2

你应该使用否定的外观：

(?<!\p{Word})(\p{Word}+)(?!\p{Word})

正面结果在字符串的开头或结尾处失败，因为它们需要存在非单词字符。在两种情况下，负面的外观都有效。

如何在使用unicode字符属性时模拟单词边界？

2 个答案: