国际化字符

由于 JavaScript 最初的实现非常简单，而且这种简单的处理方式后来也成了标准，因此 JavaScript 正则表达式处理非英语字符时非常无力。例如，就 JavaScript 的正则表达式而言，“单词字符”只是 26 个拉丁字母（大写和小写）和数字，而且由于某些原因还包括下划线字符。像α或β这种明显的单词字符，则无法匹配\w（会匹配大写的\W，因为它们属于非单词字符）。

由于奇怪的历史性意外，\s（空白字符）则没有这种问题，会匹配所有 Unicode 标准中规定的空白字符，包括不间断空格和蒙古文元音分隔符。

另一个问题是，默认情况下，正则表达式使用代码单元，而不是实际的字符，正如第 5 章中所讨论的那样。 这意味着由两个代码单元组成的字符表现很奇怪。

  1. console.log(/\ud83c\udf4e{3}/.test("\ud83c\udf4e\ud83c\udf4e\ud83c\udf4e"));
  2. // → false
  3. console.log(/<.>/.test("<\ud83c\udf39>"));
  4. // → false
  5. console.log(/<.>/u.test("<\ud83c\udf39>"));
  6. // → true

问题是第一行中的"\ud83c\udf4e"（emoji 苹果）被视为两个代码单元，而{3}部分仅适用于第二个。 与之类似，点匹配单个代码单元，而不是组成玫瑰 emoji 符号的两个代码单元。

你必须在正则表达式中添加一个u选项（表示 Unicode），才能正确处理这些字符。 不幸的是，错误的行为仍然是默认行为，因为改变它可能会导致依赖于它的现有代码出现问题。

尽管这是刚刚标准化的，在撰写本文时尚未得到广泛支持，但可以在正则表达式中使用\p（必须启用 Unicode 选项）以匹配 Unicode 标准分配了给定属性的所有字符。

  1. console.log(/\p{Script=Greek}/u.test("α"));
  2. // → true
  3. console.log(/\p{Script=Arabic}/u.test("α"));
  4. // → false
  5. console.log(/\p{Alphabetic}/u.test("α"));
  6. // → true
  7. console.log(/\p{Alphabetic}/u.test("!"));
  8. // → false

Unicode 定义了许多有用的属性，尽管找到你需要的属性可能并不总是没有意义。 你可以使用\p{Property=Value}符号来匹配任何具有该属性的给定值的字符。 如果属性名称保持不变，如\p{Name}中那样，名称被假定为二元属性，如Alphabetic，或者类别，如Number。