ES9(五) —— Unicode Property Escapes

码农天地 - 2020-11-16 08:53:48

---

目录Unicode PropertyUnicode ScriptUnicode BlockES6-ES10学习版图

了解这个新的知识点，需要对文本的编码非常熟悉，不然意识不到这个功能的意义。对于文本的编码需要了解两个概念：字符编码和文件编码。

字符编码包括 ASCII 和 Unicode文件编码包括 UTF-8、GBK等。

字符编码和文件编码的关系可以用一句话来概括：文件编码和字符编码没有关系，也就是说即使指定了文件编码，字符变也可以灵活选择而不受任何限制。

根据 Unicode 规范，每一个 Unicode 字符除了有唯一的码点，还具有其它属性:

Unicode PropertyUnicode ScriptUnicode Block

这些一般用在正则里面。

Unicode Property

它按照字符的功能对字符进行分类，一个字符只能属于一个 Unicode Property。也就是说 Property 并不关心字符所属的语言，只关心字符的功能。

可以将Unicode property 理解为字符组，将小写 p 改成大写，就是该字符组的排除型字符组。想想看 \\d 匹配 0-9 这个字符组，而 \\D 匹配 0-9 以外的字符组。

let input = 'abcdAeCd中国'
console.log(input.match(/\p{L}/ug))
// ["a", "b", "c", "d", "A", "e", "C", "d", "中", "国"]

这段代码的含义是在输入中匹配所有的字符（不限语言），这里使用的是 Unicode Property：{L}，这个属性的含义是任何语言的任何字母。它有点等同于

let input = 'abcdAeCd中国'
console.log(input.match(/./sg))

{Ll} [任何具有大写字母的小写字母]{N} [任何语言下的数字]

更多的 Unicode Property 请查阅 官网

Unicode Script

按照字符所属的书写系统来划分字符，它一般对应某种语言。比如 \\p{Script=Greek} 表示希腊语，\\p{Script=Han} 表示汉语。

匹配下列字符串中的中文

let input = `I'm chinese!我是中国人`
console.log(input.match(/\p{Script=Han}+/u))
// ["我是中国人", index: 12, input: "I'm chinese!我是中国人", groups: undefined]

如果不适用这个新功能点，在 ES9 之前大概只能这样做：

let input = `I'm chinese!我是中国人`
console.log(input.match(/[\u4e00-\u9fa5]+/))
// ["我是中国人", index: 12, input: "I'm chinese!我是中国人", groups: undefined]

虽然不同的写法看上去结果一样，然而时光飞逝，Unicode 在2017年6月发布了10.0.0版本。在这20年间，Unicode 添加了许多汉字。比如 Unicode 8.0 添加的 109 号化学元素「鿏（⿰⻐麦）」，其码点是 9FCF，不在这个正则表达式范围中。而如果我们期望程序里的/[\\u4e00-\\u9fa5]/可以与时俱进匹配最新的 Unicode 标准，显然是不现实的事情。现在只需要在 Unicode Scripts 找到对应的名称即可，而不需要自己去计算所有对应语言字符的的 Unicode 范围。Unicode Block

将 Unicode 字符按照编码区间进行划分，所以每一个字符都只属于一个 Unicode Block，举例说明：

\\p{InBasic_Latin}: U+0000–U+007F\\p{InLatin-1_Supplement}: U+0080–U+00FF\\p{InLatin_Extended-A}: U+0100–U+017F\\p{InLatin_Extended-B}: U+0180–U+024F

目前 JavaScript RegExp 还不支持 Unicode Block

ES6-ES10学习版图

Tags 标签