Unicode character properties \p

9-regular-expressions/21-regexp-unicode-properties/article.md

@@ -0,0 +1,86 @@
+# Unicode 属性匹配（\p）
+
+JavaScript 中字符串使用的编码格式 Unicode 对于不同的字符（更严谨地说，码位）有大量的类别。这些类别描述了这个字符的“种类”和技术性细节。
+
+在正则表达式中可以使用 `\p{…}` 来设置这些类别。注意此时 `'u'` flag 不可缺少。
+
+举个例子，`\p{letter}` 在任何一个语言中都表示一个字母。`\p{L}` 是它的简写形式。
+
+以下是所有主要类别：
+
+* 字母 `L`：
+  * 小写字母 `Ll`，修饰语 `Lm`，大写首字母 `Lt`，全部大写 `Lu`，其他 `Lo`
+* 数字 `N`：
+  * 数字 `Nd`，字母 `Nl`，其他 `No`
+* 标点 `P`：
+  * 连接词 `Pc`，中划线 `Pd`，引号 `Pi`，引回 `Pf`，开始 `Ps`，结束 `Pe`，其他 `Po`
+* 标记（变音等）`M`：
+  * 组合字符（有一定间隔）`Mc`，包围字符（一个或多个字符被另一些字符包围）`Me`，组合字符（无间隔）`Mn`
+* 标志 `S`：
+  * 货币 `Sc`，修饰符号 `Sk`，数学 `Sm`，其他 `So`
+* 分隔符 `Z`：
+  * 换行符 `Zl`，段落 `Zp`，空格 `Zs`
+* 其他 `C`：
+  * 控制符 `Cc`，格式符 `Cf`，未提供的 `Cn`，非公用的 `Co`，帮助符 `Cs`
+
+```smart header="更多信息"
+在 http://cldr.unicode.org/unicode-utilities/list-unicodeset 中你可以看到各种类别下的字符。
+
+你也可以在 [Character Property Index](http://unicode.org/cldr/utility/properties.jsp) 探索这些类别。
+
+在 https://www.unicode.org/Public/UCD/latest/ucd/ ，你可以看到完整的 Unicode 数据库（包含对类别的说明）。
+```
+
+还有其他的一些派生类别，如：
+
+* `Alphabetic`（`Alpha`），它包括字母 `L`，用字母表示的数字 `Nl`（如罗马数字 Ⅻ），还有一些其他的符号 `Other_Alphabetic`（`OAltpa`）。
+* `Hex_Digit` 包含十六进制中用到的“数字”：`0-9`，`a-f`。
+* ...Unicode 非常庞大，它还包含了很多类别。
+
+举个例子，这个六位十六进制数：
+
+```js run
+let reg = /\p{Hex_Digit}{6}/u; // flag 'u' is required （注意 flag 'u' 是必须的）
+
+alert("color: #123ABC".match(reg)); // 123ABC
+```
+
+还有有值的类别。如，Unicode "Script"（脚本，一种书写方式）可以表达西里尔字母、希腊文、阿拉伯语和中文等等。
+
+要对一个单一的书写系统进行搜索，就要另外提供 `Script=<value>`。如，要搜索西里尔字母，应使用 `\p{sc=Cyrillic}`，而对于汉字，应使用 `\p{sc=Han}`，等等。以下是使用这种特性的代码片段：
+
+```js run
+let regexp = /\p{sc=Han}+/gu; // get chinese words （获得中文字符）
+
+let str = `Hello Привет 你好 123_456`;
+
+alert( str.match(regexp) ); // 你好
+```
+
+## 写对于所有语言都适用的 \w
+
+请给所有的语言写一个“全面的” `pattern:\w` 的正则表达式。这一问题在很多有针对 Unicode 优化的正则表达式特性的编程语言中都有标准解决方式，如 Perl。
+
+```js
+/[\p{Alphabetic}\p{Mark}\p{Decimal_Number}\p{Connector_Punctuation}\p{Join_Control}]/u
+```
+
+请跟我一起对它进行分析。由于 `pattern:\w` 其实就是 `pattern:[a-zA-Z0-9_]`，
+
+所以这个字符集包含了：
+
+* `Alphabetic` 字母，
+* `Mark` 重音，因为重音在 Unicode 中可能被表示为多个码位，
+* `Decimal_Number` 数字，
+* `Connector_Punctuation` '_'（下划线）和类似它（下划线）的字符，
+* `Join_Control` —— 用于将字连起形成连字（如在阿拉伯语中使用）的两个特殊的码位（hex 分别为 `200c` 和 `200d`）
+
+或者，如果换用缩写（[缩写列表](https://www.unicode.org/Public/UCD/latest/ucd/PropertyValueAliases.txt)）：
+
+```js run
+let regexp = /([\p{Alpha}\p{M}\p{Nd}\p{Pc}\p{Join_C}]+)/gu;
+
+let str = `Hello Привет 你好 123_456`;
+
+alert( str.match(regexp) ); // Hello,Привет,你好,123_456
+```