重音字符的具体JavaScript正则表达式（变音符号）

Question

我看了Stack Overflow（替换字符...呃，JavaScript如何不遵循有关RegExp的Unicode标准等），但还没有真正找到“JavaScript如何匹配重音字符（带有变音符号的字符）”这个问题的具体答案？

我正在强制UI中的字段匹配html" target="_blank">格式：last_name，first_name（最后[逗号空间]第一），我想提供对变音符号的支持，但显然在JavaScript中它比其他语言/平台更难。

这是我的原始版本，直到我想添加变音符号支持：

<代码>/^[a-zA-Z]，\s[a-zA-Z]$/<代码>

目前，我正在讨论添加支持的三种方法中的一种，所有这些方法我都已经测试过并有效（至少在某种程度上，我真的不知道第二种方法的“范围”是什么）。以下是它们：

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

• 这将正确匹配姓氏/名字与accentedCharacters中支持的任何重音字符。

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

• 这几乎可以匹配任何东西，至少以以下形式：某物，某物。没关系，我想

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

• 它匹配一系列Unicode字符-经过测试和工作，尽管我没有尝试任何疯狂的事情，只是我在我们的语言部门看到的教职员工姓名的正常东西。

以下是我的担忧：

>

第一个解决方案太局限，太草率，太复杂。如果我忘记了一两个字符，就需要改变它，这不太实际。

第二种解决方案更好、更简洁，但它可能比实际应该匹配的要多。我找不到任何关于确切内容的真正文档 匹配，只是“除换行符以外的任何字符”（来自MDN上的表）的泛化。

第三种解决方案似乎是最精确的，但是有什么问题吗？我对Unicode不是很熟悉，至少在实践中是这样，但是看一个代码表/该表的延续，\u00C0-\u017F似乎相当可靠，至少对于我预期的输入来说是这样。

null

这三种方法中哪一种最适合这项任务？或者有更好的解决方案吗？

Answer 1

这三种方法中哪一种最适合此任务？

取决于任务：-）为了准确匹配所有拉丁字符及其重音版本，Unicode范围可能提供了最佳解决方案。它们可能会扩展到所有非空白字符，这可以使用\S字符类来完成。

我正在强制UI中的字段匹配格式：last_name，first_name（last[逗号空格]first）

我在这里看到的最基本的问题不是变音符号，而是空格。有几个名字由多个单词组成，例如标题。所以你应该使用最通用的，即允许除了逗号之外的所有内容来区分第一个和姓氏：

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

但您的第二个解决方案是使用<代码> 字符类也很好，您可能只需要关心多个commata即可。

Answer 2

重音拉丁范围\u00C0-\u017F对于我的名称数据库来说还不够，所以我将正则表达式扩展为

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

我添加了这些代码块（\u00C0-\u024F同时包括三个相邻的块）：

• \u00C0-\u00FF拉丁语-1补充
• \u0100-\u017F拉丁语扩展-A
• \u0180-\u024F拉丁语扩展-B
• \u1E00-\u1EFF拉丁语扩展附加

请注意，\u00C0-\u00FF实际上只是拉丁语-1补充的一部分。它跳过了不可打印的控制信号和所有符号，除了笨拙放置的乘×\u00D7和除法÷\u00F7。

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

如果您需要更多代码点，您可以在维基百科的Unicode字符列表中找到更多范围。例如，您还可以添加拉丁语Exted-C、D和E，但我忽略了它们，因为现在似乎只有历史学家对它们感兴趣，而D和E集甚至无法在我的浏览器中正确呈现。

原来停在u017F的正则表达式名为“enol”。根据FontSpace的Unicode分析器，第一个字符是带逗号的拉丁文大写字母s。（是的，它通常拼写为cedilla-s\u015E，“Şenol。”但我不会飞到土耳其去告诉他，“你的名字拼错了！”

Answer 3

接受所有口音的更简单方法是：

[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 [ ] ^ \ × ÷

有关按数字顺序列出的字符，请参见Unicode字符表。