我试图用Javascript（node.js）中的句子中的单词标记，删除非单词字符（点，逗号，句号，问号等），同时考虑UTF-8中的每个现有字母表（英语，拉丁语，希腊语，西里尔语，日语等）和数字，这意味着我需要一种方法来知道一个字符是一个单词的一部分，还是一个符号。例如：
españa.es 4*5 Rußland Citroën, 東京 iphone-pro5
应该返回一个数组：
[españa, es, 4, 5, Rußland, Citroën, 東京, iphone, pro5]
我正在使用以下正则表达式：
[0-9A-Za-zªº\u00B5\u00C0-\u00D6\u00D8-\u00F6\u00F8-\u02AF\u02B0-\u02C1\u0370-\u0374\u0376-\u0377\u037A-\u037D\u0386\u0388-\u038A\u038C\u038E-\u03A1\u03A3-\u03FF\u0400-\u0481\u048A-\u0523]+
0-9A-Za-z（数字和英文字母）
ªº（序数指标）
\ u00B5（微信号）
\ u00C0- \ u00D6 \ u00D8- \ u00F6 \ u00F8- \ u02AF（非英语拉丁字母）
\ u02B0- \ u02C1（修饰符）
\ u0370- \ u0374 \ u0376 \ u037A \ \ u037D \ u0386 \ u0388- \ u038A \ u038C \ u038E- \ u03A1 \ u03A3- \ u03FF（希腊文和科普特字母）
\ u0400- \ u0481 \ u048A- \ u0523（西里尔字母）
还有其他更简单或更完整的方法来分割文字中的单词吗？
答案 0 :(得分：3)
使用XRegExp：
var s = "españa.es 4*5 Rußland Citroën, 東京 iphone-pro5";
var r = XRegExp("[\\pL\\pN]+", "g");
var results = XRegExp.match(s, r);
console.log(results);<script src="https://cdnjs.cloudflare.com/ajax/libs/xregexp/3.1.1/xregexp-all.min.js"></script>
[\\pL\\pN]+正则表达式模式匹配一个或多个Unicode字母（\pL）或数字（\pN）。