欢迎您访问程序员文章站本站旨在为大家提供分享程序员计算机编程知识!
您现在的位置是: 首页  >  IT编程

正则表达式之 Unicode 匹配特殊字符

程序员文章站 2022-11-05 19:12:34
首先声明,本文所有的代码都是在 es6 下面运行,es5需要修改之后才能运行,但是本文没有涉及到太多的es6新特性,而且由于v8对u修饰符不支持,最后的实现也基本是用es5...

首先声明,本文所有的代码都是在 es6 下面运行,es5需要修改之后才能运行,但是本文没有涉及到太多的es6新特性,而且由于v8对u修饰符不支持,最后的实现也基本是用es5的知识写的代码。

最初我只是想记录下正则表达式用unicode的方式来匹配特殊字符,写着写着发现 v8 对 u 修饰符的不支持,又转而去研究怎么转换字符串到utf-16的格式,在研究怎么转换的过程中发现es5的正则对 unicode 编码单元 > 0x10000 的字符串不支持,再转而去实现了一遍对大于 0x10000 的字符串的转换,特此记录。

之前有遇到过一个实用正则表达式匹配特殊字符的需求,例如一段文本 'ab*cd$你好我也好]\nseg$me*ntfault\nhello,world' ,用户可以选择用 * 或者 $ 来分割字符串。

在javascript中, $ 和 * 都是预定义的特殊字符,不能直接写在正则表达式中,而需要转义,写成 /\$/ 或者 /\*/ 。

我们需要根据用户的选择来写正则表达式,封装成一个函数就是:

复制代码 代码如下:

function reg(input) {
    return new regexp(`\\${input}`)
}

这种写法初看上去很美好,将字符都转义之后遇到一些特殊的字符可以匹配,然而现实是残酷的:当用户输入的是 n 或者 t 这一类的字符的话,返回的正则表达式为 /\n/ 或者 /\t/ ,匹配的就是所有的制表符,这就违背了用户的初衷。

通常有一种写法就是把所有需要转义的特殊字符都列出来,然后再逐一匹配,这种写法很耗费精力,而且可能因为没有统计到的特殊字符而出现漏匹配的情况。

这个时候unicode就隆重登场了,在 javascript 中,我们也可以用unicode来表示一个字符,例如 'a' 可以写成'\u{61}', '你' 也可以写成 '\u{4f60}'。

关于unicode的介绍大家可以看 unicode与javascript详解

es5 中提供了 charcodeat() 方法来返回指定索引处字符的 unicode 数值,但是 unicode 编码单元 > 0x10000 的除外, es2015 中又增加了一个新的方法 codepointat() 可以返回大于 0x10000 字符串的数值。返回的数值是十进制的,此时我们还需要通过 tostring(16) 转成16进制。

封装之后的函数如下

复制代码 代码如下:

function tounicode(s) {
    return `\\u{${s.codepointat().tostring(16)}}`
}
tounicode('$') -> '\u{24}'

重新封装reg函数为

复制代码 代码如下:

function reg(input) {
    return new regexp(`${tounicode(input)}`, 'u')
}

其实写到这里,我希望是对的,但是很不幸,v8 不支持 regexp 的 u 修饰符。v8支持的话,写到这里就应该结束了,没关系,这里只是提供一种用unicode的方式来转义特殊字符的思想。

虽然v8不支持u修饰符,作为一个有追求的码农,当然不能止步于此,我们也可以使用其他方法继续把这个完善

function tounicode(s) {
 var a = `\\u${utf(s.charcodeat(0).tostring(16))}`
 if(s.charcodeat(1))
 a = `${a}\\u${utf(s.charcodeat(1).tostring(16))}` 
 return a  
}
function utf(s) {
 return array.from('00').concat(array.from(s)).slice(-4).join('')
}
// 这里用var而没有用let声明,是因为这些代码直接复制到 chrome 的控制台下就可以看到执行结果
// 测试一下
// tounicode('a')  --> "\u0061"
// tounitcode('��') --> "\ud842\udfb7"
function reg(input) {
 return new regexp(`${tounicode(input)}`)
}
// 再测试一下
reg('$').test('$') --> true

以上内容就是小编给大家分享的正则表达式之 unicode 匹配特殊字符