正则表达式匹配埃及象形文字

Question

我想知道匹配埃及象形文字的正则表达式。我完全无能为力，需要你的帮助。

我不能发信，因为堆栈溢出似乎无法识别它。

所以任何人都可以告诉我这些角色的unicode范围。

Answer 1

TLDNR：\p{Egyptian_Hieroglyphs}

的Javascript

Egyptian_Hieroglyphs属于“星体”平面，它使用超过16位来编码字符。从ES5开始，Javascript不支持星体平面（more on that），因此您必须使用代理对。第一个代理是

U+13000 = d80c dc00

最后一个是

U+1342E = d80d dc2e

给出了

re = /(\uD80C[\uDC00-\uDFFF]|\uD80D[\uDC00-\uDC2E])+/g

t = document.getElementById("pyramid").innerHTML
document.write("<h1>Found</h1>" + t.match(re))

<div id="pyramid">

  some     	really    	old    	stuff    	    
  
  </div>

这是安装Noto Sans Egyptian Hieroglyphs时的样子：

其他语言

在支持UCS-4的平台上，您可以直接使用埃及代码点13000到1342F，但语法因系统而异。例如，在Python（3.3 up）中它将是[\U00013000-\U0001342E]：

>>> s = "some \U+13000 really \U+13001 old \U+1342C stuff \U+1342D \U+1342E"
>>> s
'some  really  old  stuff  '
>>> import re
>>> re.findall('[\U00013000-\U0001342E]', s)
['', '', '', '', '']

最后，如果您的正则表达式引擎支持unicode属性，您可以（并且应该）使用这些而不是硬编码范围。例如在php / pcre中：

$str = " some  really  old  stuff   ";

preg_match_all('~\p{Egyptian_Hieroglyphs}~u', $str, $m);
print_r($m);

打印

[0] => Array
    (
        [0] => 
        [1] => 
        [2] => 
        [3] => 
        [4] => 
    )

Answer 2

Unicode编码Egyptian hieroglyphs，范围为U + 13000 - U + 1342F（超出基本多语言平面）。

在这种情况下，有两种方法可以编写正则表达式：

1. 通过指定U + 13000 - U + 1342F的字符范围。

   虽然在BMP中为字符指定正则表达式中的字符范围就像[a-z]一样简单，但根据语言支持，对星体平面中的字符这样做可能不那么简单。

2. 通过为埃及象形文字指定Unicode块

   由于我们匹配埃及象形文字块中的任何字符，因此这是编写支持可用的正则表达式的首选方法。

的Java

（目前，我还不知道Java类库的其他实现如何处理Pattern类中的星体平面字符。）

Sun / Oracle实施

我不确定在Java 1.4中讨论星体平面中匹配字符是否有意义，因为只有通过改进现有的String实现（使用UCS-2）才能在Java 5中添加对BMP之外的字符的支持。对于其内部字符串表示），使用代码点感知方法。

^{由于Java继续允许在String中指定单独的代理（一个不能与其他代理形成一对），它导致一团糟，因为代理不是真正的字符，而且单独的代理在UTF-16中无效。}

Pattern类看到了从Java 1.4.x到Java 5的重大改进，因为该类被重写以支持在星体平面中匹配Unicode字符：模式字符串之前被转换为代码点数组它被解析，输入字符串由String类中的代码点感知方法遍历。

You can read more about the madness in Java regex in this answer by tchist.

我已经详细解释了如何匹配涉及星界平面字符in this answer的一系列角色，所以我只想在这里包含代码。它还包括一些错误尝试编写正则表达式以匹配星体平面字符的反例。

Java 5（及以上）

"[\uD80C\uDC00-\uD80D\uDC2F]"

Java 7（及以上）

"[\\uD80C\\uDC00-\\uD80D\\uDC2F]"
"[\\x{13000}-\\x{1342F}]"

由于我们匹配的任何代码点都属于Unicode块，因此它也可以写成：

"\\p{InEgyptian_Hieroglyphs}"
"\\p{InEgyptian Hieroglyphs}"
"\\p{InEgyptianHieroglyphs}"

"\\p{block=EgyptianHieroglyphs}"
"\\p{blk=Egyptian Hieroglyphs}"

自1.4以来，Java支持\p Unicode块的语法，但仅在Java 7中添加了对埃及象形文字块的支持。

PCRE（在PHP中使用）

PHP示例已涵盖在georg's answer中：

'~\p{Egyptian_Hieroglyphs}~u'

请注意，如果您希望按代码点匹配而不是按代码单位进行匹配，则u标志是必需的。

不确定StackOverflow上是否有更好的帖子，但是I have written some explanation on the effect of u flag (UTF mode) in this answer of mine。

有一点需要注意，Egyptian_Hieroglyphs仅适用于PCRE 8.02（或不早于PCRE 7.90的版本）。

作为替代方案，您可以使用\x{h...hh}语法指定字符范围：

'~[\x{13000}-\x{1342F}]~u'

请注意强制性u标记。

至少PCRE 4.50支持\x{h...hh}语法。

JavaScript（ECMAScript）

ES5

georg's answer已经涵盖了字符范围方法（这是在vanilla JavaScript中执行此操作的唯一方法）。修改正则表达式以覆盖整个块，包括保留的未分配代码点。

/(?:\uD80C[\uDC00-\uDFFF]|\uD80D[\uDC00-\uDC2F])/

上面的解决方案演示了匹配星体平面中一系列字符的技术，以及JavaScript RegExp的限制。

JavaScript也遇到与Java相同的字符串表示问题。虽然Java确实在Java 5中修复了Pattern类以允许它使用代码点，但JavaScript RegExp仍然停留在UCS-2时代，迫使我们使用代码单元而不是代码点在正则表达式中。

ES6

最后，在ECMAScript 6中添加了对代码点匹配的支持，可通过u标志提供，以防止破坏以前版本的ECMAScript中的现有实现。

• ES6 Specification - 21.2 RegExp (Regular Expression) Objects
• Unicode-aware regular expressions in ECMAScript 6

点击上面第二个链接的Support部分，查看为ES6 RegExp提供实验支持的浏览器列表。

在ES6中引入\u{h...hh}语法后，可以用类似于Java 7的方式重写字符范围：

/[\u{13000}-\u{1342F}]/u

或者您也可以直接在RegExp字面值中指定字符，但意图并不像[a-z]那样明确：

/[-]/u

请注意上面两个正则表达式中的u修饰符。

还是被ES5困住了吗？不用担心，您可以使用regxpu将ES6 Unicode RegExp转换为ES5 RegExp。