Question

我正在使用Embarcadero的C ++ Builder开发一个拼写检查器应用程序。我使用正则表达式将文本拆分为单个单词。以下代码适用于RAD Studio XE，但与RAD Studio Seattle的行为方式不同。

当单词包含非拉丁字符（如德语元音（Ä，Ö，Ü））或带有重音字符（é，ê，à）的字符时，会出现问题。 “\ w”被解释为[a-zA-Z_0-9]忽略非拉丁字符。

首先，在我的背景下，一个词是什么？可能的词包括：

“\ r \ n” 个
“word-word-word-word ...”
“字”。或“word - ”
带有叛逆者的词语：“'word”“wor'd”“word”“
“字”
有两种不同类型的撇号：'和'

以下是代码：

String text (L"Österreich l'année);
const String sRegex (L"\r\n|(\\w+\\-)+\\w+|\\w+(\\.|\\-)|('|’)?\\w+('|’)?\\w*");
TRegEx regex(sRegex, TRegExOptions());
TMatchCollection regexMatches = regex.Matches(text);
for (int i=0; i<regexMatches.Count; ++i)
{
    TMatch regexMatch = regexMatches.Item[i];
    String word (regexMatch.Value);

    //do stuff with word
}

String字的所需值是“Österreich”和“l'année”。然而，RegEx匹配的是“sterreich”，“l'ann”和“e”。

我的问题是，如何指定所有非拉丁字符？

Answer 1

\p{L}匹配 unicode字母。尝试使用它而不是\w。

See it here at regex101

如果您还想要数字（与\w一样），请将\d添加到论坛。

使用RegEx在Embarcadero的C ++ Builder中将文本拆分为单个单词

1 个答案: