Я использую код ниже: ш в Рубине Регулярное выражение соответствует китайские иероглифы
puts "matched" if "中国" =~ /\w+/
это ставит "matched" и меня удивило, так как «中国» есть два китайских иероглифов, это не какой-либо из 0-9 , az, AZ и _, но почему он выводит «соответствие».
Может ли кто-нибудь дать мне несколько подсказок?
Я не уверен в точном значении регулярного выражения, которое использует Ruby, но это не просто аберрация Ruby, поскольку .NET работает так же. MSDN says this об этом:
\ ш
Спички любое слово символ. Для версий не-Unicode и ECMAScript это то же самое, что и [a-zA-Z_0-9]. В категориях Unicode это то же самое, что и [\ p {Ll} \ p {Lu} \ p {Lt} \ p {Lo} \ p {Nd} \ p {Pc}].
Так что это не тот случай, \w обязательно означает просто [a-zA-Z_0-9] - это (и другие операторы) работают по-разному на строках Unicode по сравнению с тем, как они делают для них ASCii.
Это все еще отличает его от ., поскольку \w не соответствует символам пунктуации (вид - см. Ниже список \ p {Lo}), пробелы, новые строки и различные другие символы, отличные от слова.
Что касается того, что именно \p{Ll}\p{Lu}\p{Lt}\p{Lo}\p{Nd}\p{Pc} делает матч, вы можете увидеть на список ссылок Unicode:
спасибо. верный. – ywenbo
'\ p {Word}' тоже будет работать, а также POSIX '[: word:]' –
Oniguruma, который является механизм регулярных выражений в Ruby, 1.9+, defines \w как:
[\w] word character
Not Unicode:
* alphanumeric, "_" and multibyte char.
Unicode:
* General_Category -- (Letter|Mark|Number|Connector_Punctuation)
В 1.9+, Рубин знает, если строка имеет символы Unicode, и автоматически переключается на использование режима Unicode для сопоставления шаблонов.
Возможный дубликат [Как использовать регулярное выражение для utf8 в ruby] (http://stackoverflow.com/questions/256822/how-to-use-regex-for-utf8-in-ruby) – marcog
они не являются тот же диалог, ссылка, на которую вы указали, обсуждает, как проверять китайские символы, моя проблема в том, почему \ w соответствует китайским иероглифам UTF-8. – ywenbo