Javascript RegExp + les limites de Mot + caractères unicode

Je suis à la recherche du bâtiment, et je vais utiliser le javascript de saisie semi-automatique avec elle. Je suis originaire de Finlande (finnois) donc je dois gérer avec certains caractères spéciaux comme ä, ö et å

Lorsque l'utilisateur tape du texte dans le champ de saisie de recherche j'ai essayer de faire correspondre le texte de données.

Ici est simple exemple qui ne fonctionne pas correctement si l'utilisateur tape par exemple """ingénierie". Même chose avec "äl"

var title = "this is simple string with finnish word tämä on ääkköstesti älkää ihmetelkö";
//Does not work
var searchterm = "äl";

//does not work
//var searchterm = "ää";

//Works
//var searchterm = "wi";

if ( new RegExp("\\b"+searchterm, "gi").test(title) ) {
    $("#result").html("Match: ("+searchterm+"): "+title);
} else {
    $("#result").html("nothing found with term: "+searchterm);   
}

http://jsfiddle.net/7TsxB/

Alors, comment puis-je obtenir ces ä,ö et å caractères de travailler avec javascript regex?

Je pense que je dois utiliser les codes unicode, mais comment dois-je faire? Codes pour ces caractères sont les suivants:
[\u00C4,\u00E4,\u00C5,\u00E5,\u00D6,\u00F6]

=> äÄåÅöÖ

  • C'est quoi "\\b" ?
  • \b signifie "mot" dans une expression régulière; la barre oblique est échappé ici parce que c'est dans une chaîne de caractères.
  • Merci, bizarre que je n'avais pas vu qu'avant :/
  • J'utilise le \b parce que je veux correspondre au début de chaque mot.
  • Comme vous le voyez, le Javascript est coincé dans l'idiot des années 1960 de style ASCII uniquement mentalité. Il ne répond pas, même les plus élémentaires exigences de conformité nécessaires pour le Niveau 1 de Base de Support de l'Unicode” par UT#18 sur Unicode Expressions Régulières. En essayant de faire du vrai texte Unicode-travaux de traitement en Javascript une affreuse blague, et une cruelle, trop: il ne peut pas être fait. Le XRegexp plugin mentionné ci-dessous est nécessaire, mais pas suffisante, pour ces fins.
  • Les nouveaux arrivants attention: Cela ne peut être fait dans la regexp. Pas avec \b, pas avec \s, pas avec XRegExp, pas avec lookaheads ou lookarounds. Croyez-moi, j'ai tout essayé, et tout cassé dans l'une ou l'autre manière. Le seul moyen que j'ai trouvé que jusqu'à maintenant les œuvres est l'encodage de la chaîne unicode retour à l'ascii et effectuer un ascii regexp rechercher/remplacer avec \b comme prévu à l'origine. Voir ici: stackoverflow.com/a/10590188/1329367

InformationsquelleAutor user1394520 | 2012-05-14
  1. 38

    Il semble y avoir un problème avec la Regex et la limite de mot \b correspondant au début d'une chaîne de caractères avec un caractère de départ hors de la normale 256 octets gamme.

    Au lieu d'utiliser \b, essayez d'utiliser (?:^|\\s)

    var title = "this is simple string with finnish word tämä on ääkköstesti älkää ihmetelkö";
//Does not work
var searchterm = "äl";

//does not work
//var searchterm = "ää";

//Works
//var searchterm = "wi";

if ( new RegExp("(?:^|\\s)"+searchterm, "gi").test(title) ) {
    $("#result").html("Match: ("+searchterm+"): "+title);
} else {
    $("#result").html("nothing found with term: "+searchterm);   
}

    Ventilation:

    (?: parenthèse () former un groupe de capture dans la Regex. Parenthèse a commencé avec un point d'interrogation et du côlon ?: forme d'un non-capture d'un groupe. Ils ont juste le groupe de l'ensemble des termes

    ^ l'accent circonflexe correspond au début d'une chaîne de

    | le bar est l'opérateur "ou".

    \s correspond aux espaces (apparaît comme \\s de la chaîne car nous avons pour échapper à la barre oblique inverse)

    ) ferme le groupe

    Donc, au lieu d'utiliser \b, ce qui correspond à des frontières de mot et ne fonctionne pas pour les caractères unicode, nous utilisons un non-capture d'un groupe qui correspond au début d'une chaîne de caractères OU espaces.

    • Qui semble fonctionner!
    • "essayez ce" n'est pas une solution. Donner quelques informations à propos de pourquoi le suggère regex fonctionne. Ce n' (?:^|\\s) vraiment faire? Vous n'avez pas expliquer cette solution à tout.
    • bon point.
    • Ce n'est PAS une bonne solution. (?:^|\\s) n'est pas un zéro-largeur affirmation comme \b est, et consomment de caractères à partir de la correspondance. Une anticipation positif serait une meilleure idée ((?=^|\\s)) mais ne les travaux après le match, comme lookbehind est toujours pas pris en charge. Aussi, les limites de word ne sont pas seulement des espaces et de la chaîne des frontières, mais une tonne d'autres personnages.
    • Est-il une raison de ne pas inclure $ (fin de chaîne) dans la regex? I. e. (?:^|\s|$)
    • Le projet de regexp n'a pas le même comportement lorsque le match est au début d'une chaîne ou d'après un espace. Lorsqu'elle correspond au début, le texte correspondant est retourné, cependant, quand il matches après un blanc, il renvoie également l'espace dans le cadre du match, même si la capture se fait avec le côlon. Le code de Test (exécuté dans le navigateur Firefox de la console): laissez str1 = "un ejemplo"; que str2 = "ejemplo uno"; laissez reg = /(?:^|\s)des nations unies/gi; str1.match(reg); // ["un"] str2.match(reg); // [" un"]
    • Cela correspond également à une chaîne partielle correspond. '¿dónde está la alcaldesa?': es et está sont appariés, ce qui est mauvais. Seulement está doit être adapté. \\b est censé être utile avec les limites des mots.

    InformationsquelleAutor mowwwalker
  2. 16

    La \b classe de caractères en JavaScript RegEx est vraiment utile avec un simple codage ASCII. \b est un raccourci du code de la limite entre \w et \W ensembles ou \w et le début ou la fin de la chaîne. Ces jeux de caractères ne prendre en compte ASCII de "mot" de personnages, où \w est égal à [a-zA-Z0-9_] et \W est la négation de cette classe.

    Ce qui rend la RegEx classes de caractère en grande partie inutile pour traiter avec une vraie langue.

    \s doit travailler pour ce que vous voulez faire, à condition que les termes de recherche ne sont délimités par des espaces.

    • +1, mais \b n'est pas une classe de caractères sténographiques comme \w et \s, c'est un zéro-largeur affirmation comme \A, $, et lookarounds.
    • Cela peut vous aider! github.com/joelarson4/CharFunk
    InformationsquelleAutor Noah Freitas
  3. 10

    cette question est vieux, mais je crois que j'ai trouvé une meilleure solution pour le contour dans les expressions régulières avec unicode lettres.
    À l'aide de XRegExp vous pouvez mettre en œuvre un valide \b limite l'expansion de cette 

    XRegExp('(?=^|$|[^\\p{L}])')

    le résultat est un 4000+ char de long, mais il semble fonctionner assez performants.

    Quelques explications: (?= ) est un zéro-longueur d'anticipation qui ressemble à un début ou de fin de frontière ou d'une lettre de caractères unicode. Le plus important je pense est le lookahead, parce que le \b ne capture rien: c'est tout simplement vrai ou faux.

    InformationsquelleAutor max masetti
  4. 6

    Je vous recommande d'utiliser XRegExp lorsque vous devez travailler avec un ensemble spécifique de caractères Unicode, l'auteur de cette bibliothèque cartographié l'ensemble régional des ensembles de caractères rend le travail avec les différentes langues plus facile.

    InformationsquelleAutor micnic
  5. 2

    J'ai remarqué quelque chose de vraiment bizarre avec \b lors de l'utilisation de l'Unicode:

    /\bo/.test("pop"); //false (obviously)
/\bä/.test("päp"); //true (what..?)

/\Bo/.test("pop"); //true
/\Bä/.test("päp"); //false (what..?)

    Il semble que le sens de \b et \B sont inversés, mais seulement lorsqu'il est utilisé avec des non-ASCII Unicode? Il y a peut être quelque chose de plus profond qui se passe ici, mais je ne suis pas sûr de ce qu'il est.

    En tout cas, il semble que le mot frontière est le problème, pas l'Unicode des caractères eux-mêmes. Peut-être vous devriez juste remplacer \b avec (^|[\s\\/-_&]), comme cela semble fonctionner correctement. (Faites votre liste de symboles plus complète que la mienne, si.)

    • \b et \B ne sont pas Unicode-connaissance en JavaScript, donc ils considèrent ä un caractère non-alphanumérique et donc voir une limite de mot entre p et ä.
    InformationsquelleAutor apsillers
  6. 1

    Mon idée est de rechercher avec les codes représentant les lettres finlandaises

    new RegExp("\\b"+asciiOnly(searchterm), "gi").test(asciiOnly(title))

    Mon idée de départ était d'utiliser de la plaine encodeURI mais le signe % semble interférer avec la regexp.

    http://jsfiddle.net/7TsxB/5/

    J'ai écrit un brut de la fonction en utilisant encodeURI pour coder chaque caractère de code 128, mais le retrait de ses % et en ajoutant 'QQ' au début. Il n'est pas le meilleur marqueur mais je ne pouvais pas non alphanumérique de travail.

    • C'est une excellente idée, et la seule chose qui a fonctionné pour moi. Au lieu de QQ vous pouvez utiliser un contrôle de la chaîne de ___ qui est un peu plus sûr et toujours en ascii, et au lieu de encodeURI vous pouvez tirer parti du javascript natif escape/unescape méthodes, mais sinon, il fait le travail.
    • ce n'est pas une bonne solution pour ceux qui veulent faire quelque chose avec les sous-chaîne correspondante
    • Est-ce à assumer une quelconque de caractères non-ASCII d'un caractère de mot? Par exemple, "äl" ne pas être traités comme le début d'un mot dans "älkää", bien qu'il devrait être.
    InformationsquelleAutor Heitor Chang
  7. 0

    J'ai eu un problème similaire, mais j'ai dû remplacer un éventail de conditions. Toutes les solutions que j'ai trouvé n'a pas travaillé, si deux termes sont dans le texte à côté de l'autre (en raison de leurs limites overlaped). J'ai donc dû utiliser un peu modifié:

    var text = "Ještě. že; \"už\" à. Fürs, 'anlässlich' že že že.";
var terms = ["à","anlässlich","Fürs","už","Ještě", "že"];
var replaced = [];
var order = 0;
for (i = 0; i < terms.length; i++) {
    terms[i] = "(^\|[ \n\r\t.,;'\"\+!?-])(" + terms[i] + ")([ \n\r\t.,;'\"\+!?-]+\|$)";
}
var re = new RegExp(terms.join("|"), "");
while (true) {
    var replacedString = "";
    text = text.replace(re, function replacer(match){
        var beginning = match.match("^[ \n\r\t.,;'\"\+!?-]+");
        if (beginning == null) beginning = "";
        var ending = match.match("[ \n\r\t.,;'\"\+!?-]+$");
        if (ending == null) ending = "";
        replacedString = match.replace(beginning,"");
        replacedString = replacedString.replace(ending,"");
        replaced.push(replacedString);
        return beginning+"{{"+order+"}}"+ending;
    });
if (replacedString == "") break;
order += 1;
}

    Voir le code dans un violon: http://jsfiddle.net/antoninslejska/bvbLpdos/1/

    L'expression régulière est inspiré par: http://breakthebit.org/post/3446894238/word-boundaries-in-javascripts-regular

    Je ne peux pas dire que je trouve la solution élégante...

    InformationsquelleAutor Antonín Slejška
  8. 0

    Ce que vous cherchez est de l'Unicode des limites de mots standard:

    http://unicode.org/reports/tr29/tr29-9.html#Word_Boundaries

    Il y a un JavaScript de mise en œuvre ici (unciodejs.wordbreak.js)

    https://github.com/wikimedia/unicodejs

    InformationsquelleAutor Ed.