Unicode – это набор символов, целью которого является определение всех символов и глифов всех человеческих языков, живых и мертвых. Поскольку всё больше и больше программ должны поддерживать несколько языков или просто любой язык, юникод в последние годы приобретает всё большую популярность. Использование различных наборов символов для разных языков может быть слишком обременительным для программистов и пользователей.

К сожалению, юникод привносит свои требования и подводные камни, когда речь заходит о регулярных выражениях.

Поддержка юникод-совместимых регулярных выражений

Из всех движков регулярных выражений, обсуждаемых здесь, Java, XML и .NET используют движки поддерживающие юникод. Perl поддерживает юникод, начиная с версии 5.6. PCRE может быть опционально скомпилирован с поддержкой юникод. Обратите внимание, что PCRE гораздо менее гибок в том, что он позволяет делать для \p, несмотря на своё название "Perl-совместимый". Функции PHP preg, основанные на PCRE, поддерживают юникод, если к регулярному выражению добавлена опция /u. Ruby поддерживает категории юникода в регулярных выражениях начиная с версии 1.9. XRegExp привносит поддержку категорий юникода в JavaScript.

Regex-движок RegexBuddy полностью совместим с юникодом, начиная с версии 2.0.0. RegexBuddy 1.x.x не поддерживал юникод вообще. PowerGREP использует regex-движок с поддержкой юникода, начиная с версии 3.0.0. Более ранние версии конвертировали Unicode файлы в ANSI перед выполнением поиска с помощью 8-битного (т.е. не-Unicode) regex движка. EditPad Pro поддерживает юникод, начиная с версии 6.0.0.

Символы, коды и графемы, или как юникод вносит беспорядок

Большинство людей считают à одним символом. К сожалению, это не так, в зависимости от значения слова "символ".

Все regex-движки с поддержкой юникода, обсуждаемые здесь, рассматривают любой отдельный Unicode код как отдельный символ. Когда говорится, что . соответствует любому отдельному символу, это переводится на язык Unicode как ". соответствует любому отдельному коду Unicode". В юникоде символ à может быть представлен через два кода: U+0061 (a), за которым следует U+0300 (гравис). В этой ситуации ., примененная к à, будет соответствовать a без грависа.
^.$ не будет соответствовать данной строке, так как она состоит из двух кодов, в то время как ^..$ соответствует.

Код U+0300 (гравис) является комбинируемым символом. За любым кодом, который не является комбинируемым символом, может следовать любое количество комбинируемых. Эта последовательность, как и U+0061 U+0300 выше, отображается на экране как одна графема.

à также может быть представлен единственным кодом U+00E0 (a с грависом). Причина такой двойственности в том, что многие исторические наборы символов кодируют "a с грависом" как один символ. Разработчики юникода решили, что будет полезно иметь сопоставление один к одному с популярными историческими наборами символов, в дополнение к способу юникода разделять знаки и базовые буквы (что делает возможными произвольные комбинации, не поддерживаемые историческими наборами символов).

Как сопоставить одну графему Юникода

В Perl, PCRE, PHP, Boost, Ruby 2.0, Java 9 и приложениях Just Great Software сопоставление одной графемы, будь она закодирована как одним кодом или несколькими с помощью комбинируемых знаков, очень просто: просто используйте \X. Вы можете считать \X юникод-версией .. Но есть одно отличие: \X всегда соответствует символам перевода строки, в то время как . не соответствует им, если только вы не включите режим соответствия . новой строке.

В .NET, Java 8 и ниже, а также Ruby 1.9 вы можете использовать \P{M}\p{M}*+ или (?>\P{M}\p{M}*) в качестве достаточно близкой замены. Чтобы подобрать любое количество графем, используйте (?>\P{M}\p{M}*)+ как замену \X+.

Как сопоставить конкретный код Юникода

Чтобы сопоставить конкретный код, используйте \uFFFF, где FFFF – шестнадцатеричный код, который вы хотите сопоставить. Вы всегда должны указывать все 4 шестнадцатеричных разряда. Например, \u00E0 соответствует à, при представлении одним кодом U+00E0.

Особенности в разных движках

Perl, PCRE, Boost и std::regex не поддерживают синтаксис \uFFFF. Вместо него они используют \x{FFFF}. Вы можете опустить ведущие нули в фигурных скобках. Поскольку \x сам по себе не является допустимым символом регулярного выражения, \x{1234} никогда не может быть перепутано с \x 1234 раза. Это всегда соответствует коду U+1234. \x{1234}{5678} будет сопоставляться с кодом U+1234 ровно 5678 раз.

В Java \uFFFF соответствует только указанному коду, даже если вы включили каноническую эквивалентность. Однако тот же синтаксис \uFFFF также используется для вставки символов юникода в литеральные строки в исходном коде Java. Pattern.compile("\u00E0") будет соответствовать как однокодовому, так и двухкодовому варианту à, в то время как Pattern.compile("\\u00E0") соответствует только однокодовой версии. Помните, что при записи regex как строкового литерала Java, обратные слэши должны быть экранированы. Первый код Java компилирует regex à, а второй компилирует \u00E0. В зависимости от того, что вы делаете, разница может быть существенной.

JavaScript, который не предлагает никакой поддержки Unicode через свой класс RegExp, поддерживает \uFFFF для соответствия одному коду.

XML Schema и XPath не имеют regex токенов для сопоставления кодов Unicode. Однако вы можете легко использовать такие XML-сущности, как  для вставки явных кодов в ваше регулярное выражение.

Категории в Юникоде

В дополнение к сложностям, Unicode также приносит и новые возможности. Одна из них заключается в том, что каждый символ юникода принадлежит к определенной категории. Вы можете сопоставить один символ, принадлежащий к категории "буква", с \p{L}, или не принадлежащий к ней, с \P{L}.

Опять же, "символ" на самом деле означает "код юникод-символа". \p{L} соответствует одному коду в категории "буква". Если входная строка à закодирована как U+0061 U+0300, она соответствует a без грависа. Если входная строка à закодирована как U+00E0, она соответствует à с грависом. Причина в том, что коды U+0061 (a) и U+00E0 (à) относятся к категории "буква", а U+0300 – к категории "знак".

Теперь вы должны понять, почему \P{M}\p{M}*+ эквивалентно \X. \P{M} соответствует коду, который не является комбинируемым знаком, в то время как \p{M}*+ соответствует нулю или более кодов, которые являются комбинируемыми. Чтобы найти букву, включая все диакритические знаки, используйте \p{L}\p{M}*+. Последний regex всегда будет соответствовать à, независимо от того, как это закодировано. Possessive квантификатор гарантирует, что поиск с возвратом не приведет к тому, что \P{M}\p{M}*+ будет соответствовать не-знаку без комбинируемых символов, которые следуют за ним, чего \X никогда не сделает.

PCRE, PHP и .NET чувствительны к регистру при проверке части между фигурными скобками лексемы \p. \p{Zs} будет соответствовать любому символу пробела, в то время как \p{zs} выдаст ошибку. Все другие regex-движки, описанные здесь, будут соответствовать пробелу в обоих случаях, игнорируя регистр категории между фигурными скобками. Тем не менее, рекомендуется взять за привычку использовать ту же комбинацию прописных и строчных букв, как в списке категорий ниже. Это позволит вашим регулярным выражениям работать со всеми regex-движками поддерживающими Unicode.

В дополнение к стандартной нотации \p{L}, Java, Perl, PCRE, движок JGsoft и XRegExp 3 позволяют использовать сокращение \pL. Это сокращение работает только с однобуквенными категориями Unicode. \pLl не является эквивалентом \p{Ll}. Это эквивалент \p{L}l, который соответствует Al или àl или любой букве юникода, за которой следует буква l.

Perl, XRegExp и движок JGsoft также поддерживают длиннобуквенный \p{Letter}. Полный список всех категорий Unicode приведен ниже. Вы можете опустить подчёркивания или использовать вместо них дефисы или пробелы.

[прим.: * – ссылки на сторонний ресурс, с указанием кодов, принадлежащих к конкретной подкатегории, для наглядности]

  • \p{L} или \p{Letter} – любой вид любой буквы на любом языке.

    • \p{Ll} или \p{Lowercase_Letter} – буква в нижнем регистре, которая имеет вариант в верхнем. *

    • \p{Lu} или \p{Uppercase_Letter} – буква в верхнем регистре, которая имеет вариант в нижнем. *

    • \p{Lt} или \p{Titlecase_Letter} – диграф единым символом (кодом) в начале слова, когда заглавной является только его первая часть. *

    • \p{L&} или \p{Cased_Letter} – буква, которая существует в строчном и прописном вариантах (сочетание Ll, Lu и Lt).

    • \p{Lm} или \p{Modifier_Letter} – специальный символ, который используется как буква. *

    • \p{Lo} или \p{Other_Letter} – буква или идеограмма, не имеющая строчных и прописных вариантов. *

  • \p{M} или \p{Mark} – символ, предназначенный для сочетания с другим символом.

    • \p{Mn} или \p{Non_Spacing_Mark} – символ, предназначенный для сочетания с другим символом, не занимая дополнительного места (например, ударения, умляуты и т.д.). *

    • \p{Mc} или \p{Spacing_Combining_Mark} – символ, предназначенный для сочетания с другим символом, занимающий дополнительное место (как знаки гласных во многих восточных языках). *

    • \p{Me} или \p{Enclosing_Mark} – символ, который окружает символ, с которым он сочетается (круг, квадрат и т.д.). *

  • \p{Z} или \p{Separator} – любые пробельные символы или невидимые разделители.

    • \p{Zs} или \p{Space_Separator} – символ пробела, который невидим, но занимает место. *

    • \p{Zl} или \p{Line_Separator} – разделитель строк U+2028.

    • \p{Zp} или \p{Paragraph_Separator} – разделитель параграфов U+2029.

  • \p{S} или \p{Symbol} – математические символы, знаки валют, дингбаты, символы для рисования и т.д.

    • \p{Sm} или \p{Math_Symbol} – любой математический символ. *

    • \p{Sc} или \p{Currency_Symbol} – любой символ валюты. *

    • \p{Sk} или \p{Modifier_Symbol} – объединяющий символ (знак) как самостоятельный полный символ. *

    • \p{So} или \p{Other_Symbol} – различные символы, не относящиеся к прошлым подкатегориям. *

  • \p{N} или \p{Number} – любой числовой символ любой письменности.

    • \p{Nd} или \p{Decimal_Digit_Number} – цифра от нуля до девяти в любой письменности, кроме идеографической. *

    • \p{Nl} или \p{Letter_Number} – число, которое выглядит как буква, например, римская цифра. *

    • \p{No} или \p{Other_Number} – надстрочная или подстрочная цифра, или число, не являющееся цифрой 0-9 (исключая числа из идеографических письменностей). *

  • \p{P} or \p{Punctuation} – любой символ пунктуации.

    • \p{Pd} или \p{Dash_Punctuation} – любой вид дефиса или тире. *

    • \p{Ps} или \p{Open_Punctuation} – любой вид открывающей скобки. *

    • \p{Pe} или \p{Close_Punctuation} – любой вид закрывающей скобки. *

    • \p{Pi} или \p{Initial_Punctuation} – любой вид открывающей кавычки. *

    • \p{Pf} или \p{Final_Punctuation} – любой вид закрывающей кавычки. *

    • \p{Pc} или \p{Connector_Punctuation} – символ пунктуации, такой как подчёркивание, который соединяет слова. *

    • \p{Po} или \p{Other_Punctuation} – любой знак препинания, не относящийся к прошлым подкатегориям. *

  • \p{C} или \p{Other} – невидимые управляющие символы и неиспользуемые коды.

    • \p{Cc} или \p{Control} – управляющие ASCII или Latin-1 символы: 0x00–0x1F и 0x7F–0x9F. *

    • \p{Cf} или \p{Format} – невидимый индикатор форматирования. *

    • \p{Co} или \p{Private_Use} – любой код, зарезервированный для частного использования.

    • \p{Cs} или \p{Surrogate} – одна половина суррогатной пары в кодировке UTF-16.

    • \p{Cn} или \p{Unassigned} – любой код, которому не присвоен ни один символ.

Письменности в Юникоде

Стандарт Unicode помещает каждый назначенный код (символ) в одну категорию письменности. Некоторые категории, например Thai, соответствуют одному человеческому языку. Другие категории, например Latin, относятся к нескольким языкам.

Некоторые языки состоят из нескольких письменностей. Японской письменности в юникоде не существует. Вместо этого юникод предлагает хира́гану, ката́кану, китайское письмо и латиницу, из которых обычно состоят японские документы.

Особой категорией является Common script. Здесь содержатся всевозможные символы, которые являются общими для широкого числа письменностей. Категория включает в себя всевозможные знаки препинания, пробелы и различные прочие символы.

Все назначенные коды являются частью ровно одной категории письменности. Все неназначенные коды (те, которые соответствуют \p{Cn}) не являются частью какой-либо категории письменности вообще.

Движки JGsoft, Perl, PCRE, PHP, Ruby 1.9, Delphi и XRegExp могут сопоставлять категории письменности юникода.

Список письменностей
  1. \p{Common}

  2. \p{Arabic}

  3. \p{Armenian}

  4. \p{Bengali}

  5. \p{Bopomofo}

  6. \p{Braille}

  7. \p{Buhid}

  8. \p{Canadian_Aboriginal}

  9. \p{Cherokee}

  10. \p{Cyrillic}

  11. \p{Devanagari}

  12. \p{Ethiopic}

  13. \p{Georgian}

  14. \p{Greek}

  15. \p{Gujarati}

  16. \p{Gurmukhi}

  17. \p{Han}

  18. \p{Hangul}

  19. \p{Hanunoo}

  20. \p{Hebrew}

  21. \p{Hiragana}

  22. \p{Inherited}

  23. \p{Kannada}

  24. \p{Katakana}

  25. \p{Khmer}

  26. \p{Lao}

  27. \p{Latin}

  28. \p{Limbu}

  29. \p{Malayalam}

  30. \p{Mongolian}

  31. \p{Myanmar}

  32. \p{Ogham}

  33. \p{Oriya}

  34. \p{Runic}

  35. \p{Sinhala}

  36. \p{Syriac}

  37. \p{Tagalog}

  38. \p{Tagbanwa}

  39. \p{TaiLe}

  40. \p{Tamil}

  41. \p{Telugu}

  42. \p{Thaana}

  43. \p{Thai}

  44. \p{Tibetan}

  45. \p{Yi}

Perl и JGsoft позволяют использовать \p{IsLatin} вместо \p{Latin}. Синтаксис Is полезен для различения письменностей и блоков, как объясняется в следующем разделе. PCRE, PHP и XRegExp не поддерживают префикс Is.

Java 7 добавляет поддержку категорий письменностей. В отличие от прочих, Java 7 требует префикс Is.

Блоки Юникода

Стандарт Unicode делит карту символов на различные блоки или диапазоны кодов. Каждый блок используется для определения символов конкретной письменности, например, "тибетское письмо" или относящихся к определенной группе, например, "шрифт Брайля". Большинство блоков включают нераспределённые коды, зарезервированные для будущего расширения стандарта.

Обратите внимание, что блоки юникода не совпадают на 100% с категориями письменностей. Существенное различие между блоками и данными категориями заключается в том, что блок – это один непрерывный диапазон кодов, как указано ниже. Категории письменностей состоят из символов, взятых со всей карты символов юникода. Блоки могут включать неназначенные коды (т.е. коды, соответствующие \p{Cn}). Категории письменностей никогда не включают неназначенные коды. Обычно, если вы не уверены, использовать ли категорию письменности или блок юникода, используйте категорию письменности.

Например, блок Currency не включает символы доллара и йены. Вместо этого они находятся в блоках Basic_Latin и Latin-1_Supplement, несмотря на то, что оба символа являются валютными, а символ йены не является латинским символом. Это объясняется историческими причинами, поскольку стандарт ASCII включает знак доллара, а стандарт ISO-8859 – знак йены. Не следует слепо использовать любой из перечисленных ниже блоков, основываясь на их названиях. Вместо этого посмотрите на диапазоны символов, которым они фактически соответствуют. В этом может помочь такой инструмент, как RegexBuddy. Категория \p{Sc} или \p{Currency_Symbol} будет лучшим выбором, чем блок \p{InCurrency_Symbols}, когда вы пытаетесь найти все символы валюты.

Блоки юникода
  1. \p{InBasic_Latin}: U+0000–U+007F

  2. \p{InLatin-1_Supplement}: U+0080–U+00FF

  3. \p{InLatin_Extended-A}: U+0100–U+017F

  4. \p{InLatin_Extended-B}: U+0180–U+024F

  5. \p{InIPA_Extensions}: U+0250–U+02AF

  6. \p{InSpacing_Modifier_Letters}: U+02B0–U+02FF

  7. \p{InCombining_Diacritical_Marks}: U+0300–U+036F

  8. \p{InGreek_and_Coptic}: U+0370–U+03FF

  9. \p{InCyrillic}: U+0400–U+04FF

  10. \p{InCyrillic_Supplementary}: U+0500–U+052F

  11. \p{InArmenian}: U+0530–U+058F

  12. \p{InHebrew}: U+0590–U+05FF

  13. \p{InArabic}: U+0600–U+06FF

  14. \p{InSyriac}: U+0700–U+074F

  15. \p{InThaana}: U+0780–U+07BF

  16. \p{InDevanagari}: U+0900–U+097F

  17. \p{InBengali}: U+0980–U+09FF

  18. \p{InGurmukhi}: U+0A00–U+0A7F

  19. \p{InGujarati}: U+0A80–U+0AFF

  20. \p{InOriya}: U+0B00–U+0B7F

  21. \p{InTamil}: U+0B80–U+0BFF

  22. \p{InTelugu}: U+0C00–U+0C7F

  23. \p{InKannada}: U+0C80–U+0CFF

  24. \p{InMalayalam}: U+0D00–U+0D7F

  25. \p{InSinhala}: U+0D80–U+0DFF

  26. \p{InThai}: U+0E00–U+0E7F

  27. \p{InLao}: U+0E80–U+0EFF

  28. \p{InTibetan}: U+0F00–U+0FFF

  29. \p{InMyanmar}: U+1000–U+109F

  30. \p{InGeorgian}: U+10A0–U+10FF

  31. \p{InHangul_Jamo}: U+1100–U+11FF

  32. \p{InEthiopic}: U+1200–U+137F

  33. \p{InCherokee}: U+13A0–U+13FF

  34. \p{InUnified_Canadian_Aboriginal_Syllabics}: U+1400–U+167F

  35. \p{InOgham}: U+1680–U+169F

  36. \p{InRunic}: U+16A0–U+16FF

  37. \p{InTagalog}: U+1700–U+171F

  38. \p{InHanunoo}: U+1720–U+173F

  39. \p{InBuhid}: U+1740–U+175F

  40. \p{InTagbanwa}: U+1760–U+177F

  41. \p{InKhmer}: U+1780–U+17FF

  42. \p{InMongolian}: U+1800–U+18AF

  43. \p{InLimbu}: U+1900–U+194F

  44. \p{InTai_Le}: U+1950–U+197F

  45. \p{InKhmer_Symbols}: U+19E0–U+19FF

  46. \p{InPhonetic_Extensions}: U+1D00–U+1D7F

  47. \p{InLatin_Extended_Additional}: U+1E00–U+1EFF

  48. \p{InGreek_Extended}: U+1F00–U+1FFF

  49. \p{InGeneral_Punctuation}: U+2000–U+206F

  50. \p{InSuperscripts_and_Subscripts}: U+2070–U+209F

  51. \p{InCurrency_Symbols}: U+20A0–U+20CF

  52. \p{InCombining_Diacritical_Marks_for_Symbols}: U+20D0–U+20FF

  53. \p{InLetterlike_Symbols}: U+2100–U+214F

  54. \p{InNumber_Forms}: U+2150–U+218F

  55. \p{InArrows}: U+2190–U+21FF

  56. \p{InMathematical_Operators}: U+2200–U+22FF

  57. \p{InMiscellaneous_Technical}: U+2300–U+23FF

  58. \p{InControl_Pictures}: U+2400–U+243F

  59. \p{InOptical_Character_Recognition}: U+2440–U+245F

  60. \p{InEnclosed_Alphanumerics}: U+2460–U+24FF

  61. \p{InBox_Drawing}: U+2500–U+257F

  62. \p{InBlock_Elements}: U+2580–U+259F

  63. \p{InGeometric_Shapes}: U+25A0–U+25FF

  64. \p{InMiscellaneous_Symbols}: U+2600–U+26FF

  65. \p{InDingbats}: U+2700–U+27BF

  66. \p{InMiscellaneous_Mathematical_Symbols-A}: U+27C0–U+27EF

  67. \p{InSupplemental_Arrows-A}: U+27F0–U+27FF

  68. \p{InBraille_Patterns}: U+2800–U+28FF

  69. \p{InSupplemental_Arrows-B}: U+2900–U+297F

  70. \p{InMiscellaneous_Mathematical_Symbols-B}: U+2980–U+29FF

  71. \p{InSupplemental_Mathematical_Operators}: U+2A00–U+2AFF

  72. \p{InMiscellaneous_Symbols_and_Arrows}: U+2B00–U+2BFF

  73. \p{InCJK_Radicals_Supplement}: U+2E80–U+2EFF

  74. \p{InKangxi_Radicals}: U+2F00–U+2FDF

  75. \p{InIdeographic_Description_Characters}: U+2FF0–U+2FFF

  76. \p{InCJK_Symbols_and_Punctuation}: U+3000–U+303F

  77. \p{InHiragana}: U+3040–U+309F

  78. \p{InKatakana}: U+30A0–U+30FF

  79. \p{InBopomofo}: U+3100–U+312F

  80. \p{InHangul_Compatibility_Jamo}: U+3130–U+318F

  81. \p{InKanbun}: U+3190–U+319F

  82. \p{InBopomofo_Extended}: U+31A0–U+31BF

  83. \p{InKatakana_Phonetic_Extensions}: U+31F0–U+31FF

  84. \p{InEnclosed_CJK_Letters_and_Months}: U+3200–U+32FF

  85. \p{InCJK_Compatibility}: U+3300–U+33FF

  86. \p{InCJK_Unified_Ideographs_Extension_A}: U+3400–U+4DBF

  87. \p{InYijing_Hexagram_Symbols}: U+4DC0–U+4DFF

  88. \p{InCJK_Unified_Ideographs}: U+4E00–U+9FFF

  89. \p{InYi_Syllables}: U+A000–U+A48F

  90. \p{InYi_Radicals}: U+A490–U+A4CF

  91. \p{InHangul_Syllables}: U+AC00–U+D7AF

  92. \p{InHigh_Surrogates}: U+D800–U+DB7F

  93. \p{InHigh_Private_Use_Surrogates}: U+DB80–U+DBFF

  94. \p{InLow_Surrogates}: U+DC00–U+DFFF

  95. \p{InPrivate_Use_Area}: U+E000–U+F8FF

  96. \p{InCJK_Compatibility_Ideographs}: U+F900–U+FAFF

  97. \p{InAlphabetic_Presentation_Forms}: U+FB00–U+FB4F

  98. \p{InArabic_Presentation_Forms-A}: U+FB50–U+FDFF

  99. \p{InVariation_Selectors}: U+FE00–U+FE0F

  100. \p{InCombining_Half_Marks}: U+FE20–U+FE2F

  101. \p{InCJK_Compatibility_Forms}: U+FE30–U+FE4F

  102. \p{InSmall_Form_Variants}: U+FE50–U+FE6F

  103. \p{InArabic_Presentation_Forms-B}: U+FE70–U+FEFF

  104. \p{InHalfwidth_and_Fullwidth_Forms}: U+FF00–U+FFEF

  105. \p{InSpecials}: U+FFF0–U+FFFF

Не все regex-движки с поддержкой юникода используют одинаковый синтаксис для сопоставления блоков. Java, Ruby 2.0 и XRegExp используют синтаксис \p{InBlock}, как указано выше. В .NET и XML вместо этого используется \p{IsBlock}. Perl и JGsoft поддерживают обе нотации. Рекомендуется использовать нотацию In, если ваш regex-движок поддерживает её. In можно использовать только для блоков Unicode, в то время как Is можно использовать для общих категорий и категорий письменностей, в зависимости от используемого вами шаблона регулярных выражений. При использовании In очевидно, что вы сопоставляете блок, а не общую категорию или письменность с аналогичным названием.

В .NET и XML вы должны опустить подчёркивание, но сохранить дефисы в именах блоков. Например, используйте \p{IsLatinExtended-A} вместо \p{InLatin_Extended-A}. В Java вы должны опустить дефисы. .NET и XML также сравнивают имена с учетом регистра, в то время как Perl, Ruby и JGsoft сравнивают их без учета регистра. Java 4 чувствительна к регистру. Java 5 и более поздние версии учитывают регистр для префикса Is, но не для самих имен блоков.

Фактические имена блоков одинаковы во всех движках регулярных выражений. Имена блоков определены в стандарте Unicode. PCRE и PHP не поддерживают блоки, хотя они поддерживают категории письменностей.

Нужно ли вам беспокоиться о различных кодировках?

Хотя вы всегда должны помнить о подводных камнях, создаваемых различными способами кодирования комбинированных символов, вам не всегда нужно беспокоиться об этом. Если вы знаете, что ваша входная строка и ваше регулярное выражение используют один и тот же подход, то вам вообще не нужно беспокоиться об этом. Этот процесс называется нормализацией Unicode. Все языки программирования со встроенной поддержкой Unicode, такие как Java, C# и VB.NET, имеют функции библиотек для нормализации строк. Если вы нормализуете и объект, и регулярное выражение перед попыткой сопоставления, никаких несоответствий не возникнет.

Если вы используете Java, вы можете передать флаг CANON_EQ в качестве второго параметра в Pattern.compile(). Это указывает движку регулярных выражений Java считать канонически эквивалентные символы идентичными. Символ à, закодированный как U+00E0, соответствует à, закодированному как U+0061 U+0300, и наоборот. Ни один из других regex-движков в настоящее время не поддерживает каноническую эквивалентность при сопоставлении.

Если набрать на клавиатуре клавишу à, все известные нам текстовые процессоры вставят в файл код U+00E0. Таким образом, если вы работаете с текстом, который вы набрали сами, любое регулярное выражение, который вы набрали сами, будет соответствовать таким же образом.

Наконец, если вы используете PowerGREP для поиска в текстовых файлах, закодированных с помощью традиционной кодовой страницы Windows (часто называемой "ANSI") или ISO-8859, PowerGREP всегда использует подстановку один к одному. Поскольку все кодовые страницы Windows или ISO-8859 представляют комбинированные символы одним кодом, почти все программы используют один код для каждого символа при преобразовании файла в юникод.

Нашли опечатку или неточность в переводе? Выделите и нажмите CTRL/⌘+Enter

Комментарии (5)


  1. NickDoom
    28.01.2023 11:14
    +1

    Спасибо, сохраню в тематическую подборку (такая как бы карта минного поля Юникода).


  1. Gutt
    28.01.2023 12:54
    +4

    Как говорится, если у вас была проблема, которую вы решили с помощью регулярного выражения, то теперь у вас две проблемы.


  1. roqin
    28.01.2023 13:23
    +3

    Вот всегда эти мелкие различия в реализации RegEx раздражали.


  1. VMarkelov
    30.01.2023 09:34
    +1

    Спасибо за статью. Интересное чтиво, когда с этим мало сталкиваешься. Вот только по прочтении у меня ощущение, что чего-то не хватает. Потому что, я не понимаю почему в списке категорий одни оканчиваются на звёздочку, а другие - нет. Логично было бы об этом упомянуть либо сразу после списка, либо перед, но я не нашёл ничего. Можно пояснить что эта "*" в конце значит? Например, возьмём последний блок категорий "\p{Cf} или \p{Format} – невидимый индикатор форматирования. *" и "\p{Co} или \p{Private_Use} – любой код, зарезервированный для частного использования."


    1. TLHE Автор
      30.01.2023 11:00

      Спасибо, добавлю пояснение. Их в оригинальном материале не было, добавил от себя. Это ссылки (сливаются с обычным текстом до наведения) на сторонний ресурс, где можно для примера взглянуть на конкретные коды, которые относятся к данной категории. Группы с неявно привязанными кодами ({Private_Use}, {Surrogate} и {Unassigned}) или являющиеся объединением других подкатегорий ссылок не имеют. Также не указывал ссылки для {Paragraph_Separator} и {Line_Separator}, где всего по одному коду.