正则表达式只接受波斯字符

时间：2014-03-21 17:07:32

标签： c# asp.net regex unicode

我正在处理一个表单，其中一个自定义验证程序应该只接受波斯语字符...我使用了以下代码：

    var myregex = new Regex(@"^[\u0600-\u06FF]+$");
    if (myregex.IsMatch(mytextBox.Text))
    {
        args.IsValid = true;
    }
    else
    {
        args.IsValid = false;
    }

但它似乎只适用于检查阿拉伯字符而且它不包括所有波斯字符（它缺少这四个گ，چ，پ，ژ）...有没有办法解决这个问题？

8 个答案:

答案 0 :(得分：44)

TL; DR

波斯语必须使用的字符集如下：

  • 使用^[آابپتثجچحخدذرزژسشصضطظعغفقکگلمنوهی]+$表示字母或使用有关正则表达式的代码点（并非所有引擎都支持\uXXXX表示法）：

    ^[\u0622\u0627\u0628\u067E\u062A-\u062C\u0686\u062D-\u0632\u0698\u0633-\u063A\u0641\u0642\u06A9\u06AF\u0644-\u0648\u06CC]+$

  • 使用^[۰۱۲۳۴۵۶۷۸۹]+$表示数字或关于正则表达式的风格：

    ^[\u06F0-\u06F9]+$

  • 将[ ‬ٌ ‬ًّ ‬َ ‬ِ ‬ُ ‬ْ ‬]用于元音或关于正则表达式的风格：

    [\u202C\u064B\u064C\u064E-\u0652]

或这些的组合。您可能希望将其他阿拉伯字母（如Hamza ء）添加到您的字符集中。

为什么[\u0600-\u06FF]和[آ-ی]都错了？

虽然\u0600-\u06FF包括：

    带有代码点گ 的
  • 06AF 带有代码点چ
    • 的
  • 0686 带有代码点پ
    • 的
  • 067E 带有代码点ژ
    • 的
  • 0698

同样，所有建议[\u0600-\u06FF]或[آ-ی]的答案都是错误的。

  

即。 \u0600-\u06FF包含209个字符，超出您的需要！它也包括数字！

enter image description here

全文

这个答案的存在是为了解决一个常见的误解。代码点0600到06FF不代表 Persian / Farsi alphabet （[آ-ی]也没有）：

[\u0600-\u0605 ؐ-ؚ\u061Cـ ۖ-\u06DD ۟-ۤ ۧ ۨ ۪-ۭ ً-ٕ ٟ ٖ-ٞ ٰ ، ؍ ٫ ٬ ؛ ؞ ؟ ۔ ٭ ٪ ؉ ؊ ؈ ؎ ؏
۞ ۩ ؆ ؇ ؋ ٠۰ ١۱ ٢۲ ٣۳ ٤۴ ٥۵ ٦۶ ٧۷ ٨۸ ٩۹ ءٴ۽ آ أ ٲ ٱ ؤ إ ٳ ئ ا ٵ ٮ ب ٻ پ ڀ
ة-ث ٹ ٺ ټ ٽ ٿ ج ڃ ڄ چ ڿ ڇ ح خ ځ ڂ څ د ذ ڈ-ڐ ۮ ر ز ڑ-ڙ ۯ س ش ښ-ڜ ۺ ص ض ڝ ڞ
ۻ ط ظ ڟ ع غ ڠ ۼ ف ڡ-ڦ ٯ ق ڧ ڨ ك ک-ڴ ػ ؼ ل ڵ-ڸ م۾ ن ں-ڽ ڹ ه ھ ہ-ۃ ۿ ەۀ وۥ ٶ
ۄ-ۇ ٷ ۈ-ۋ ۏ ى يۦ ٸ ی-ێ ې ۑ ؽ-ؿ ؠ ے ۓ \u061D]

255个字符属于Arabic block（0600-06FF），波斯语字母有32个字母，除了波斯语数字显示它将是42.如果我们添加元音（阿拉伯语元音本来就很少用于没有 Tanvin （ً，ٍِ ‬，ٌ ‬）和 Tashdid （ّ ‬）的波斯语阿拉伯语变音符号的子集不是波斯语，我们最终会有46个字符。这意味着\u0600-\u06FF包含超过您需要的209个字符！

带有代码点۷的

06F7是数字7的波斯语表示，٧代码点0667是相同数字的阿拉伯语表示。 ۶是数字6的波斯语表示，٦是相同数字的阿拉伯语表示。所有这些都位于0600到06FF代码点。

  

波斯数字四（۴），五（۵）和六（۶）的形状是   不同于阿拉伯语中使用的形状和其他数字   不同的代码点。

你可以看到在波斯语/波斯语中也不存在不同数量的其他字符，并且在验证名字或姓氏时没有人愿意拥有它们。

[آ-ی]也包含117个字符，远远超出了验证所需的字符数。您可以使用 Unicode CLDR 查看所有内容。

答案 1 :(得分：25)

目前你的正则表达式是standard Arabic symbols range。对于其他字符，您需要单独将它们添加到正则表达式。以下是他们的代码：

ژ \u0698
پ \u067E
چ \u0686
گ \u06AF

总而言之，你应该拥有

^[\u0600-\u06FF\u0698\u067E\u0686\u06AF]+$

答案 2 :(得分：11)

除了接受的答案（https://stackoverflow.com/a/22565376/790811）之外，我们还应该考虑Zero-width_non-joiner（或波斯语中的نیمفاصله）字符。 不幸的是我们有2个符号。一个是标准的，另一个不是标准的，但广泛使用：

  1. \ u200C：http://en.wikipedia.org/wiki/Zero-width_non-joiner
  2. \ u200F：从右到左标记（http://unicode-table.com/en/#200F）

    3. 所以最终 regix可以是：

    ^[\u0600-\u06FF\uFB8A\u067E\u0686\u06AF\u200C\u200F]+$

    如果您想考虑“空间”，可以使用：

    ^[\u0600-\u06FF\uFB8A\u067E\u0686\u06AF\u200C\u200F ]+$

    您可以通过以下方式测试JavaScript：

    /^[\u0600-\u06FF\uFB8A\u067E\u0686\u06AF7\u200C\u200F ]+$/.test('ای‌پسر تو چه می‌دانی؟')

答案 3 :(得分：6)

注意：persianRex是用Javascript编写的，但你可以使用源代码并复制粘贴字符

由于键盘布局和操作系统的不同，检测波斯字符是一项棘手的任务。我曾经遇到过同样的挑战，我决定编写一个开源库来解决这个问题。

您可以像这样修复您的问题：     persianRex.text.test（yourInput）; //返回true或false

这里是完整的文档： http://imanmh.github.io/persianRex/

答案 4 :(得分：3)

波斯语，达里语和塔吉克语都不在我的管辖范围内，但通过Unicode代码图表进行一些翻译告诉我，阿拉伯语涵盖了5个Unicode代码块：

您可以使用named blocks而不是显式代码点范围在正则表达式中获取它们（至少其中一些）：\p{IsArabicPresentationForms-A}将为您提供前面列表中的第4个Unicode块。

您还可以阅读Unicode中的波斯计算：http://behdad.org/download/Publications/persiancomputing/a007.pdf

答案 5 :(得分：2)

我在laravel中使用正则表达式搜索了很多使用波斯字符（如۱۲۳۴）验证波斯电话号码，但没有找到合适的答案，因此我决定将peisan号码更改为英文并自行验证，而不是使用正则表达式验证波斯语号码，这对我有帮助很多，希望这会有所帮助：

if (is_numeric($mobile) && strlen($mobile) == 11) {
      // if number in english
      }else{
            $mobile = str_split($mobile , 2);
            if (count($mobile) != 11) {
                return redirect()->back()->withErrors('فرمت شماره موبایل باید عدد و ۱۱ رقم باشد');
            }
            foreach ($mobile as $key => $number) {
                if ($number == '۰') {
                    $mobile[$key] = 0;
                }elseif ($number == '۱') {
                    $mobile[$key] = 1;
                }elseif ($number == '۲') {
                    $mobile[$key] = 2;
                }elseif ($number == '۳') {
                    $mobile[$key] = 3;
                }elseif ($number == '۴') {
                    $mobile[$key] = 4;
                }elseif ($number == '۵') {
                    $mobile[$key] = 5;
                }elseif ($number == '۶') {
                    $mobile[$key] = 6;
                }elseif ($number == '۷') {
                    $mobile[$key] = 7;
                }elseif ($number == '۸') {
                    $mobile[$key] = 8;
                }elseif ($number == '۹') {
                    $mobile[$key] = 9;
                }
            }
            $mobile = implode($mobile);
            if(is_numeric($mobile) == false){
                return redirect()->back()->withErrors('فرمت شماره موبایل باید عدد و ۱۱ رقم باشد');
            }
        }

答案 6 :(得分：1)

命名块，例如\ p {阿拉伯语}覆盖整个阿拉伯语脚本，而不仅仅是波斯语字符。

演示形式（u + FB50-u + FDF​​F）不应在文本中使用，并应转换为标准范围（u + 0600-u + 06FF）。

为了只覆盖波斯语，我们需要以下内容：

  • 标准阿拉伯语范围之外的波斯语字符子集，即（U + 0621-U + 0624，U + 0626-U + 063A，U + 0641-U + 0642，U + 0644-U + 0648）< / LI>
  • 标准阿拉伯语变音符号（U + 064B-U + 0652）
  • 另外两个变音符号（U + 0654，U + 0670）
  • 4个额外的波斯语字符“گچپژ”（U + 067E，U + 0686，U + 0698，U + 06AF）
  • U + 06A9：波斯语Kaf（正式：“阿拉伯语字母Keheh”;与阿拉伯语Kaf不同的符号）
  • U + 06CC：Farsi Yeh（与阿拉伯语Yeh不同）
  • U + 200C：零宽度 - 非连接器

因此，最终的正则表达式将是：

^[\u0621-\u0624\u0626-\u063A\u0641-\u0642\u0644-\u0648\u064B-\u0652\u067E\u0686\u0698\u06AF\u06CC\u06A9\u0654\u670\u200c}]+$

另请参阅此处列出的波斯语的示例字符：

http://unicode.org/cldr/trac/browser/trunk/common/main/fa.xml

答案 7 :(得分：0)

我不确定正则表达式是否可以这样做，但问题并不仅限于波斯语或阿拉伯语，中文，俄语文本。所以也许您可以看到character is existing in your Codepage，如果不在代码页中，那么我怀疑用户是否可以使用输入设备插入它们.... 

 var encoding = Encoding.GetEncoding(1256);
 var expect = "گ چ پ ژ";
 var actual= encoding.GetBytes("گ چ پ ژ");
 Assert.AreEqual(encoding.GetString(actual),expect);

测试测试一次往返，其中输入应该将字符串与字节匹配并返回。该链接显示了支持的代码页。

相关问题
最新问题