Question

我有简单的正则表达式，它在文本中找到了一些单词：

var patern = new RegExp("\bsomething\b", "gi");

这个匹配单词的文字中有空格或标点符号。

所以匹配：

I have something.

但不匹配：

I havesomething.

什么是好的，正是我需要的。

但我有问题，例如阿拉伯语。如果我有正则表达式：

var patern = new RegExp("\bرياضة\b", "gi");

和文字：

رياضة أنا أحب رياضتي وأنا سعيد حقا هنا لها حبي

我正在寻找的关键字位于文本末尾。

但这不起作用，它只是找不到它。

如果我从正则表达式中移除\b，它就有效：

var patern = new RegExp("رياضة", "gi");

但这就是我想要的，因为我不想找到它，如果它是另一个词的一部分，就像上面的英文例子那样：

 I havesomething.

所以我对正则表达式的了解很少，如果有人能帮助我用英语和阿拉伯语等语言来帮助我。

Answer 1

我们首先要了解\b的含义：

\ b是一个匹配在一个名为＆＃34;字边界＆＃34;的位置的锚。

在您的情况下，您要查找的单词边界没有其他阿拉伯字母。

为了匹配Regex中的阿拉伯字母，我们使用unicode：

[\u0621-\u064A]+

或者我们可以直接使用阿拉伯字母

[ء-ي]+

上面的代码将匹配任何阿拉伯字母。为了使它成为一个单词边界，我们可以简单地在两边反转它：

[^ء-ي]ARABIC TEXT[^ء-ي]

上面的代码表示：不要匹配阿拉伯语单词两侧的任何阿拉伯字符，这些字符对您的情况有效。

考虑一下这个例子，你给了我一些我修改过的东西：

 أنا أحب رياضتي رياض رياضة رياضيات وأنا سعيد حقا هنا

如果我们仅尝试匹配رياض，则此字词也会使我们的搜索匹配رياضة，رياضيات和رياضتي。但是，如果我们添加上述代码，则匹配将仅成功رياض。

＆＃13;

var x = " أنا أحب رياضتي رياض رياضة رياضيات وأنا سعيد حقا هنا ";
x = x.replace(/([^ء-ي]رياض[^ء-ي])/g, '<span style="color:red">$1</span>');
document.write (x);

＆＃13;

如果您想使用一个代码来说明أآإا，可以使用类似[\u0622\u0623\u0625\u0627]之类的内容，或者只是在方括号[أآإا]之间列出它们。这是一个完整的代码

＆＃13;

var x = "أنا هنا وانا هناك .. آنا هنا وإنا هناك";
x = x.replace(/([أآإا]نا)/g, '<span style="color:red">$1</span>');
document.write (x);

＆＃13;

注意：如果您想匹配正则表达式中所有可能的阿拉伯字符，包括所有阿拉伯字母أ ب ت ث ج，所有变音符号َ ً ُ ٌ ِ ٍ ّ和所有阿拉伯数字١٢٣٤٥٦٧٨٩٠ ，使用此正则表达式：[،-٩]+

有关Unicode中阿拉伯字符排名的有用链接：https://en.wikipedia.org/wiki/Arabic_script_in_Unicode

Answer 2

由于正则表达式引擎不支持阿拉伯语，因此无法正常工作。您可以在文本中搜索unicode字符（Unicode ranges）。

或者您可以使用encoding将文本转换为unicode然后以某种方式制作正则表达式（我从未尝试过这个但它应该可以工作）。

Answer 3

如果您不需要复杂的RegEx（例如，因为您要查找特定的单词或一小段单词），那么我发现标记化搜索文本并找到它实际上更容易这样：

    >>> text = 'رياضة أنا أحب رياضتي وأنا سعيد حقا هنا لها حبي '
    >>> tokens = text.split()
    >>> print(tokens)
    ['رياضة', 'أنا', 'أحب', 'رياضتي', 'وأنا', 'سعيد', 'حقا', 'هنا', 'لها', 'حبي']
    >>> search_words = ['رياضة', 'رياضت']    
    >>> found = [w for w in tokens if w in search_words]                                  
    >>> print(found) 
    ['رياضة']  # returns only full-word match

我确定这比RegEx慢，但还不足以引起我的注意。

如果您的文本带有标点符号，则可以使用NLTK进行更复杂的标记化（这样会发现诸如“رياضة？”之类的东西）。

正则表达式匹配阿拉伯语关键字

3 个答案: