正则表达式与西里尔字母

Question

我在textarea字段中有一个用于字数统计的jQuery函数。此外，它排除了所有单词，这些单词在[[[tripple bracket]]]中关闭。它适用于拉丁字符，但它有西里尔语句子的问题。我认为错误部分与正则表达式有关：

$(field).val().replace(/\[\[\[[^\]]*\]\]\]/g, '').match(/\b/g);

两种短语的示例： http://jsfiddle.net/A3cEG/2/

我需要统计所有单词，包括cirillic表达式，而不仅仅是拉丁语中的单词。怎么做？

Answer 1

JavaScript（至少是最广泛使用的版本）不完全支持Unicode。也就是说，\w仅匹配拉丁字母，十进制数字和下划线（[a-zA-Z0-9_]），\b匹配单词字符和非单词字符之间的边界。

要使用拉丁语或西里尔语查找输入字符串中的所有单词，您必须执行以下操作：

.match(/[\wа-я]+/ig); // where а is the Cyrillic а.

或者如果您愿意：

.match(/[\w\u0430-\u044f]+/ig);

当然这可能意味着您需要稍微调整一下代码，因为这里它将匹配所有单词而不是单词边界。请注意，[а-я]与here所述的“基本西里尔字母”中的任何字母相匹配。要匹配此范围之外的字母，您可以根据需要修改字符集以包括这些字母，例如要匹配俄语Ё/ё，请使用[а-яё]。

另请注意，您的三重括号模式可简化为：

.replace(/\[{3}[^]]*]{3}/g, '')

或者，您可能希望查看XRegExp项目 - 这是一个开源项目，用于向基本JavaScript正则表达式引擎及其Unicode插件添加新功能。

Answer 2

当心使用西里尔字母的范围，其中可能包含不必要的字符。 防弹正则表达式仅包含西里尔字母：

/^[аАбБвВгГдДеЕёЁжЖзЗиИйЙкКлЛмМнНоОпПрРсСтТуУфФхХцЦчЧшШщЩъЪыЫьЬэЭюЮяЯ]+$/

Answer 3

您可以添加 / u 标志，该标志允许您使用Unicode。

添加此标志时，您的示例有效。