Question

Ruby 标点字符的字符类，即[:punct:]，\p{Punct}或\p{P}似乎匹配不同的字符，具体取决于我使用的Ruby版本

这是一个小例子:(对不起弄乱SO的语法荧光笔）

# punct.rb
chars = <<-EOD.split
! " # $ % & ' ( ) * + , - . / : ; < = > ? @ [ ] ^ _ ` { | } ~
EOD

matched, not_matched = chars.partition { |c| c =~ /[[:punct:]]/ }

puts "    matched: #{matched.join}"
puts "not matched: #{not_matched.join}"

使用Ruby 1.9.3并再次使用Ruby 2.4.0，我得到：

    matched: !"#$%&'()*+,-./:;<=>?@[]^_`{|}~
not matched:

但是中间的各种Ruby版本（2.0.x，2.1.x，2.2.x，2.3.x）给了我：

    matched: !"#%&'()*,-./:;?@[]_{}
not matched: $+<=>^`|~

为什么会发生这种情况以及正确的行为是什么？更重要的是：如何在Ruby版本中实现一致的结果？

尝试更改我的区域设置无效（如Why does Ruby /[[:punct:]]/ miss some punctuation characters?所示）。

Answer 1

Ruby 1.9.3使用US_ASCII作为其默认编码，它恰当地匹配了所有标点符号。 Ruby 2.0将其默认编码切换为UTF-8，引入了您发现的错误，导致标点符号不正确匹配。 Ruby 2.4修补了这个bug。

正确的行为是匹配所有标点符号，如ruby 1.9.3和2.4。这与标点符号的POSIX正则表达式定义一致。

使代码保持一致的一个选择是将所有字符串编码为US_ASCII或不具有UTF-8错误的替代字符：

matched, unmatched = chars.partition { |c| c.encode(Encoding::US_ASCII) =~ /[[:punct:]]/ }

但这可能不合适，因为它会强迫您对字符串使用限制性编码。

另一种选择是手动定义标点符号：

/[!"\#$%&'()*+,\-./:;<=>?@\[\\\]^_`{|}~]/

它有点不优雅，但你可以把它扔进一个变量并以正确的方式添加到正则表达式中：

punctuation = "[!\"\#$%&'()*+,\-./:;<=>?@\[\\\]^_`{|}~]"
my_regex = /#{punctuation}/

正则表达式“punct”字符类根据Ruby版本匹配不同的字符

1 个答案: