Ne všechny třídy zkrácených znaků a další syntaxe regulárního výrazu JavaScriptu podporují Unicode. V některých případech může být důležité přesně vědět, jaké tokeny se shodují, a to je to, co tento příspěvek prozkoumá.
Podle ECMA-262 3rd Edition, \s , \S , . , ^ a $ používat interpretace mezera založené na Unicode a nový řádek , zatímco \d , \D , \w , \W , \b a \B používejte pouze ASCII interpretace číslice , znak slova a hranice slova (např. /a\b/. vrátí true ). Skutečné implementace prohlížečů se v těchto bodech často liší. Například Firefox 2 bere v úvahu \d a \D podporovat Unicode, zatímco Firefox 3 tuto chybu opravuje – dělá \d ekvivalentní [0-9] jako u většiny ostatních prohlížečů.
Zde jsou znovu dotčené tokeny spolu s jejich definicemi:
\d— Číslice.\s— Mezera.\w— Slovní znaky.\D— Všechny kromě číslic.\S— Všechny kromě mezer.\W— Všechny kromě slovních znaků..— Všechny kromě nových řádků.^(s/m) — Pozice na začátku řetězce a těsně za novými řádky.$(s/m) — Pozice na konci řetězce a těsně před novými řádky.\b— Polohy hranic slov.\B— Ne pozice na hranicích slov.
Všechny výše uvedené jsou standardní v příchutích regulárních výrazů odvozených z Perlu. Nicméně význam pojmů číslice , mezera , znak slova , hranice slova a nový řádek závisí na variantě regulárních výrazů, znakové sadě a platformě, kterou používáte, takže zde jsou oficiální významy JavaScriptu, jak se vztahují na regulární výrazy:
- Číslice — Pouze znaky 0-9.
- Mezerník — Tabulátor, posun řádku, svislý tabulátor, posun formuláře, návrat vozíku, mezera, mezera bez konce, oddělovač řádků, oddělovač odstavců a „jakýkoli jiný „oddělovač mezer“ v Unicode“.
- Slovní znak — Pouze znaky A–Z, a–z, 0–9 a _.
- Hranice slova — Pozice mezi znakem slova a jiný než slovní znak .
- Nový řádek — Znaky pro posun řádku, návrat vozíku, oddělovač řádků a oddělovač odstavců.
Zde jsou opět znaky nového řádku s jejich kódy znaků:
\u000a— Odřádkování —\n\u000d— Vrácení vozíku —\r\u2028— Oddělovač řádků\u2029— Oddělovač odstavců
Všimněte si, že návrhy ECMAScript 4 udávají, že řídicí znak C1/Unicode NEL „další řádek“ (\u0085 ) bude v tomto standardu rozpoznán jako další znak nového řádku. Všimněte si také, že ačkoli CRLF (návrat vozíku následovaný posunem řádku) je ve většině kontextů považován za jednu sekvenci nového řádku, /\r^$\n/m.test("\r\n") vrátí true .
Pokud jde o mezery, ECMA-262 3rd Edition používá interpretaci založenou na základní vícejazyčné rovině Unicode, od verze 2.1 nebo novější standardu Unicode. Níže jsou uvedeny znaky, které by měly odpovídat \s podle ECMA-262 3rd Edition a Unicode 5.1:
\u0009— Tab —\t\u000a— Odřádkování —\n— (znak nového řádku)\u000b— Vertikální karta —\v\u000c— Zdroj formuláře —\f\u000d— Vrácení vozíku —\r— (znak nového řádku)\u0020— Vesmír\u00a0— Nepřerušovaný prostor\u1680— Oghamská značka mezer\u180e— Mongolský oddělovač samohlásek\u2000— En quad\u2001— Em quad\u2002— En space\u2003— Em prostor\u2004— Prostor tři na em\u2005— Prostor pro čtyři na em\u2006— Prostor šest na em\u2007— Figurový prostor\u2008— Interpunkční mezera\u2009— Tenký prostor\u200a— Prostor pro vlasy\u2028— Oddělovač řádků — (znak nového řádku)\u2029— Oddělovač odstavců — (znak nového řádku)\u202f— Úzká mezera bez přerušení\u205f— Střední matematický prostor\u3000— Ideografický prostor
Chcete-li otestovat, které znaky nebo pozice odpovídají všem zde zmíněným tokenům ve vašem prohlížeči, přečtěte si článek JavaScript Regex a Unicode testy . Všimněte si, že Firefox 2.0.0.11, IE 7 a Safari 3.0.3 beta všechny mají některé testy špatně.
Aktualizace: Můj nový plugin Unicode pro XRegExp umožňuje snadno spárovat kategorie Unicode, skripty a bloky v regulárních výrazech JavaScriptu.