Vurgulu Karakterler İçin Beton Javascript Düzenli İfadesi (Aksanlar)

Stack Overflow'a baktım ( karakterleri değiştiriyorum .. eh , JavaScript'in RegExp , vb. İle ilgili Unicode standardını nasıl takip etmediği ) ve soruya somut bir cevap bulamadım:

How can JavaScript match for accented characters (those with diacritical marks)?

Bir alanı UI biçimiyle eşleşmeye zorluyorum: last_name, first_name (son [virgül alanı] ilk) , ve aksan için destek sağlamak istiyorum, ancak açıkça JavaScript'te diğer dillerden / platformlardan biraz daha zor.

Aksan desteği eklemek isteyinceye kadar bu benim orijinal versiyonumdu:

/^[a-zA-Z]+,\s[a-zA-Z]+$/

Şu anda, desteklediğim ve desteklediğim üç yöntemden birini tartışıyorum (en azından bir dereceye kadar, "yaklaşımın" ikinci yaklaşımın ne olduğunu gerçekten bilmiyorum). İşte buradalar:

Açıkça geçerli olarak kabul etmek istediğiniz tüm aksanlı karakterleri listeleme (topal ve aşırı karmaşık):

var accentedCharacters = "àèìòùÀÈÌÒÙáéíóúýÁÉÍÓÚÝâêîôûÂÊÎÔÛãñõÃÑÕäëïöüÿÄËÏÖÜŸçÇßØøÅåÆæœ";
// Build the full regex
var regex = "^[a-zA-Z" + accentedCharacters + "]+,\\s[a-zA-Z" + accentedCharacters + "]+$";
// Create a RegExp from the string version
regexCompiled = new RegExp(regex);
// regexCompiled = /^[a-zA-ZàèìòùÀÈÌÒÙáéíóúýÁÉÍÓÚÝâêîôûÂÊÎÔÛãñõÃÑÕäëïöüÿÄËÏÖÜŸçÇßØøÅåÆæœ]+,\s[a-zA-ZàèìòùÀÈÌÒÙáéíóúýÁÉÍÓÚÝâêîôûÂÊÎÔÛãñõÃÑÕäëïöüÿÄËÏÖÜŸçÇßØøÅåÆæœ]+$/

• Bu, soyadı / adı ile desteklenen aksanlı karakterlerden herhangi biriyle doğru bir şekilde eşleşir accentedCharacters.

Diğer yaklaşımım, .daha basit bir ifadeye sahip olmak için karakter sınıfını kullanmaktı :

var regex = /^.+,\s.+$/;

• Bu, en azından şu şekilde, hemen hemen her şeyle eşleşir something, something. Herhalde bu ...

Bulduğum son yaklaşım daha basit olabilir ...

/^[a-zA-Z\u00C0-\u017F]+,\s[a-zA-Z\u00C0-\u017F]+$/

• Test edilen ve çalışan bir dizi unicode karakterle eşleşiyor, ancak çılgın bir şey denemedim, sadece fakülte üyesi isimleri için dil departmanımda gördüğüm normal şeyler.

İşte endişelerim:

1. İlk çözüm çok sınırlayıcı ve özensiz ve kıvrımlı. Bir ya da iki karakteri unutursam değiştirilmeli ve bu çok pratik değil.
2. İkinci çözüm daha iyi, özlüdür, ancak muhtemelen olması gerekenden çok daha fazla uyuşmaktadır. Ben herhangi bir gerçek belgelere bulamadı tam olarak neyi .maçları, (bir tablodan "satır karakteri hariç herhangi bir karakter" sadece genelleme MDN'yi ).

3. Üçüncü çözüm en kesin gibi görünüyor, ama herhangi bir gotcha var mı? Ben en azından pratikte Unicode ile çok aşina değilim ama bakarak kod tablosu / O masanın devamında , \u00C0-\u017Fen azından benim beklenen girişi için, oldukça sağlam görünüyor.

   • Fakülte isimleri kendi dillerinde (örneğin Arapça, Çince, Japonca, vb.) Formlar göndermeyecektir, bu yüzden Latin karakterleri dışında kalan karakterler hakkında endişelenmem gerekmiyor

Yani asıl soru (lar) : Bu üç yaklaşımdan hangisi görev için en uygun? Yoksa daha iyi çözümler var mı?

Tüm aksanları kabul etmenin daha kolay yolu şudur:

[A-zÀ-ú] // accepts lowercase and uppercase characters
[A-zÀ-ÿ] // as above but including letters with an umlaut (includes [ ] ^ \ × ÷)
[A-Za-zÀ-ÿ] // as above but not including [ ] ^ \
[A-Za-zÀ-ÖØ-öø-ÿ] // as above but not including [ ] ^ \ × ÷

Sayısal sırayla listelenen karakterler için https://unicode-table.com/en/ adresine bakın .

Aksanlı Latin aralığı \u00C0-\u017F, ad veritabanım için yeterli değildi, bu nedenle normal ifadeyi

[a-zA-Z\u00C0-\u024F]
[a-zA-Z\u00C0-\u024F\u1E00-\u1EFF] // includes even more Latin chars

Bu kod bloklarını ekledim ( \u00C0-\u024Faynı anda üç bitişik blok içerir):

• \u00C0-\u00FF Latin-1 Eki
• \u0100-\u017F Latince Genişletilmiş A
• \u0180-\u024F Latince Genişletilmiş-B
• \u1E00-\u1EFF Latince Genişletilmiş Ek

Bunun Latin-1 Ekinin\u00C0-\u00FF sadece bir parçası olduğunu unutmayın . Bu aralık yazdırılamaz kontrol sinyallerini ve garip bir şekilde yerleştirilmiş çarpma × ve bölme except dışındaki tüm sembolleri atlar .\u00D7\u00F7

[a-zA-Z\u00C0-\u00D6\u00D8-\u00F6\u00F8-\u024F] // exclude ×÷

Daha fazla kod noktasına ihtiyacınız varsa, Wikipedia'nın Unicode karakterleri listesinde daha fazla aralık bulabilirsiniz . Örneğin, Latin Genişletilmiş-C , D ve E'yi de ekleyebilirsiniz , ancak bunları dışarıda bıraktım çünkü artık sadece tarihçiler bunlarla ilgileniyor gibi görünüyor ve D ve E setleri tarayıcımda düzgün görüntülenmiyor.

Orijinal regex \u017F"Șenol" adı üzerinde durdu . Göre FontSpace Unicode Analyzer , bu ilk karakterdir \u0218, AŞAĞIDA LATİN SERMAYE MEKTUP S İLE COMMA. (Evet, genellikle bir cedilla-S \u015E, "Şenol" ile hecelenir. Ama ona, "Adını yanlış yazıyorsun!"

Bu üç yaklaşımdan hangisi görev için en uygun?

Göreve bağlıdır :-) Tam olarak tüm Latin karakterlerini ve aksanlı sürümlerini eşleştirmek için, Unicode aralıkları muhtemelen en iyi çözümü sunar. \SKarakter sınıfı kullanılarak yapılabilen boşluk olmayan tüm karakterlere genişletilebilirler .

Bir alanı kullanıcı arayüzünde biçimle eşleşmeye zorluyorum: last_name, first_name(ilk [virgül alanı] önce)

Burada gördüğüm en temel sorun aksan değil, boşluk. Birden fazla kelimeden oluşan birkaç isim vardır, örneğin başlıklar için. Bu yüzden en geneliyle gitmelisiniz, yani virgül hariç, ilk addan soyadından farklı olan her şeye izin vermelisiniz:

/[^,]+,\s[^,]+/

Ancak .karakter sınıfıyla ikinci çözümünüz de aynı derecede iyi, o zaman sadece birden fazla virgülle ilgilenmeniz gerekebilir.

XRegExp kütüphanesi vardır Unicode adlı bir eklenti bu gibi görevleri çözmeye yardımcı olur.

<script src="xregexp.js"></script>
<script src="addons/unicode/unicode-base.js"></script>
<script>
  var unicodeWord = XRegExp("^\\p{L}+$");

  unicodeWord.test("Русский"); // true
  unicodeWord.test("日本語"); // true
  unicodeWord.test("العربية"); // true
</script>

Sorunun yorumlarında belirtilmiştir, ancak kaçırılması kolaydır. Bunu ancak bu cevabı gönderdikten sonra fark ettim.

Buna ne dersin?

/^[a-zA-ZÀ-ÖØ-öø-ÿ]+$/

Peki buna ne dersin?

^([a-zA-Z]|[à-ú]|[À-Ú])+$

Her kelimeyi aksanlı karakterlerle eşleştirip eşleştirmeyecektir.

bu wiki'den: https://en.wikipedia.org/wiki/List_of_Unicode_characters#Basic_Latin

latin harfleri için kullanıyorum

/^[A-zÀ-ÖØ-öø-ÿ]+$/ 

tire ve özel karakterlerden kaçınır

/^[\pL\pM\p{Zs}.-]+$/u

Açıklama:

• \pL - herhangi bir dilden gelen herhangi bir harfle eşleşir
• \pM - başka bir karakterle birleştirilmesi amaçlanan bir karakteri çizer (örneğin vurgular, işaretler, kapalı kutular vb.)
• \p{Zs} - görünmez, ancak yer kaplayan boşluk karakteriyle eşleşir
• u - Desen ve konu dizeleri UTF-8 olarak ele alınır

Önerilen diğer normal ifadelerden farklı olarak [A-Za-zÀ-ÖØ-öø-ÿ], bu, dile özgü tüm karakterlerle çalışır, örneğin Ššbu kuralla eşleşir, ancak bu sayfadaki diğer kişilerle eşleşmez.

Ne yazık ki, yerel olarak JavaScript bu sınıfları desteklememektedir. Ancak xregexp, örneğin;

const XRegExp = require('xregexp');

const isInputRealHumanName = (input: string): boolean => {
  return XRegExp('^[\\pL\\pM-]+ [\\pL\\pM-]+$', 'u').test(input);
};

Diyakritikleri alfabelerden kaldırarak aşağıdakileri kullanarak kaldırabilirsiniz:

var str = "résumé"`
str.normalize('NFD').replace(/[\u0300-\u036f]/g, '')` // returns resume

Tüm aksan işaretlerini kaldıracak ve daha sonra üzerinde normal ifadenizi gerçekleştirecektir.

Referans:

https://thread.engineering/2018-08-29-searching-and-sorting-text-with-diacritical-marks-in-javascript/