.Net regex: quel est le caractère de mot \w?

Question Simple:

Quel est le motif de la parole de caractère \w en c#, .net?

Ma première pensée a été qu'il correspond à [A-Za-z0-9_] et la la documentation me dit:

classe de Caractères de la Description Modèle Correspond à 
\w Correspond tout \w "I", "D", "A", "1", "3" 
caractère de mot. dans "ID A1.3"

qui n'est pas très utile.

Et \w semble correspondre à äöü, trop. Quoi d'autre? Est-il mieux (exact) définition disponible?

InformationsquelleAutor tanascius | 2010-06-08
  1. 100

    De la la documentation:

    Caractère de mot: \w

    \w correspond à tout caractère de mot. Un caractère de mot est un membre de l'une des catégories Unicode répertoriés dans le tableau suivant.

    • Ll (Lettre Minuscule)
    • Lu (Lettre Majuscule)
    • Lt (Lettre, Titlecase)
    • Lo (Lettre, Autres)
    • Lm (Lettre, Modificateur)
    • Nd (Nombre, Chiffre Décimal)
    • Pc (Signes De Ponctuation, Connecteurs)
      • Cette catégorie comprend les dix caractères, la plus couramment utilisée est la LOWLINE caractère (_), u+005F.

    Si le comportement conforme ECMAScript est spécifié, \w est équivalent à [a-zA-Z_0-9].

    Voir aussi

    • Donc, si j'ai utilisé \w+ ce pourrait correspondre à n'importe quel mot n'importe comment fou tant qu'il est contenu sont soit inférieurs,des lettres majuscules, des chiffres de 1 à 9 et quelques (10) caractères spéciaux (comme l' _ blanc souligné). Et serait un raccourci pour écrire quelque chose comme [a-zA-Z1-9_]+
    InformationsquelleAutor polygenelubricants
  2. 14

    Fondamentalement, il correspond à tout ce qui peut être considéré comme la définition intuitive de lettre dans divers scripts – plus le trait de soulignement et quelques autres énergumènes.

    Vous pouvez trouver une liste complète (au moins pour le BMP) avec les minuscules PowerShell extrait de:

    0..65535 | ?{([char]$_) -match '\w'} | %{ "$_`: " + [char]$_ }
    InformationsquelleAutor Joey
  3. 3

    Donc, après quelques recherches à l'aide de '\w'.NET est équivalent à:

    public static class Extensions { 
    ///<summary>
    ///The word categories.
    ///</summary>
    [NotNull]
    private static readonly HashSet<UnicodeCategory> _wordCategories = new HashCollection<UnicodeCategory>(
                new[]
                {
            UnicodeCategory.DecimalDigitNumber,
            UnicodeCategory.UppercaseLetter,
            UnicodeCategory.ConnectorPunctuation,
            UnicodeCategory.LowercaseLetter,
            UnicodeCategory.OtherLetter,
            UnicodeCategory.TitlecaseLetter,
            UnicodeCategory.ModifierLetter,
            UnicodeCategory.NonSpacingMark,
                });

    ///<summary>
    ///Determines whether the specified character is a word character (equivalent to '\w').
    ///</summary>
    ///<param name="c">The c.</param>
    public static bool IsWord(this char c) => _wordCategories.Contains(char.GetUnicodeCategory(c));
}

    J'ai écrit cela comme une extension de la méthode pour être facile à utiliser sur n'importe quel caractère c il suffit d'invoquer c.IsWord() qui sera de retour true si le caractère est un caractère de mot. Ce devrait être beaucoup plus rapide que d'utiliser une Regex.

    Il est intéressant de noter, cela ne semble pas correspondre à la .NET spécification, en fait, '\w' match 938 'NonSpacingMark" des personnages, qui ne sont pas mentionnés.

    Au total, cela correspond à 49,760 de 65 535 caractères, de sorte que la simple regex est souvent affichés sur le site sont incomplètes.

    • Merci pour cette, vous m'avez sauvé beaucoup de temps. Je pense que vous pouvez aussi avoir besoin d'ajouter "UnicodeCategory.SpacingCombiningMark" pour les catégories de mot de trop. Je travaillais avec le Bengali (dont je ne parle pas) et cette classe de personnage est un mot important personnage.
    InformationsquelleAutor thargy