1. 面向开发者的 Web 技术
  2. JavaScript
  3. JavaScript 参考
  4. 正则表达式
  5. Unicode 字符类转义：\p{...}、\P{...}
View on MDN

此页面由社区从英文翻译而来。了解更多并加入 MDN Web Docs 社区。

Unicode 字符类转义：\p{...}、\P{...}

Baseline Widely available

This feature is well established and works across many devices and browser versions. It’s been available across browsers since 2020年7月.

Unicode 字符类转义是一种字符类转义，用于匹配由 Unicode 属性指定的字符集。它仅在 Unicode 感知模式下受支持。当启用 v 标志时，它也可用于匹配有限长度的字符串。

尝试一下

const sentence = "A ticket to 大阪 costs ¥2000 👌.";

const regexpEmojiPresentation = /\p{Emoji_Presentation}/gu;
console.log(sentence.match(regexpEmojiPresentation));
// 期望输出：Array ["👌"]

const regexpNonLatin = /\P{Script_Extensions=Latin}+/gu;
console.log(sentence.match(regexpNonLatin));
// 期望输出：Array [" ", " ", " 大阪 ", " ¥2000 👌."]

const regexpCurrencyOrPunctuation = /\p{Sc}|\p{P}/gu;
console.log(sentence.match(regexpCurrencyOrPunctuation));
// 期望输出：Array ["¥", "."]

语法

regex
\p{loneProperty}
\P{loneProperty}

\p{property=value}
\P{property=value}

参数

loneProperty

一个单独的 Unicode 属性名称或值，其语法与 value 相同。它指定 General_Category 属性的值，或一个二元属性名称。在 v 模式下，它也可以是字符串的二元 Unicode 属性。

备注：ICU 的语法也允许省略 Script 属性名，但 JavaScript 不支持这种写法，因为在大多数情况下，Script_Extensions 比 Script 更有用。

property

Unicode 属性名称。必须由 ASCII 字符（A–Z、a–z）和下划线（_）组成，且必须是非二元属性名称之一。

value

Unicode 属性值。必须由 ASCII 字符（A–Z、a–z）、下划线（_）和数字（0–9）组成，且必须是 PropertyValueAliases.txt 中列出的支持的值之一。

描述

\p 和 \P 仅在 Unicode 感知模式下受支持。在非 Unicode 感知模式下，它们是 p 或 P 字符的一致转义符。

每个 Unicode 字符都有一组描述它的属性。例如，字符 a 的 General_Category 属性值为 Lowercase_Letter，Script 属性值为 Latn。\p 和 \P 转义序列允许根据字符的属性进行匹配。例如，a 既可以通过 \p{Lowercase_Letter}（General_Category 属性名可选）匹配，也可以通过 \p{Script=Latn} 匹配。\P 会创建一个补集类，其中包含不具备指定属性的码位。

当设置了 i 标志时，u 和 v 模式下对 \P 字符类的处理方式略有不同。在 u 模式下，大小写转换发生在差集运算之后；而在 v 模式下，大小写转换发生在差集运算之前。更具体地说，在 u 模式下，\P{property} 匹配 caseFold(allCharacters - charactersWithProperty)。这意味着 /\P{Lowercase_Letter}/iu 仍然匹配 "a"，因为 A 不是 Lowercase_Letter。在 v 模式下，\P{property} 匹配 caseFold(allCharacters) - caseFold(charactersWithProperty)。这意味着 /\P{Lowercase_Letter}/iv 不匹配 "a"，因为 A 甚至不在所有大小写转换后的 Unicode 字符集合中。参见补集类与不区分大小写的匹配。

要组合多个属性，请使用通过 v 标志启用的字符集交集 语法，或参见模式差集与交集。

在 v 模式下，\p 可能匹配一串码位，Unicode 中将其定义为“字符串属性”。这对通常由多个码位组成的表情符号最为有用。然而，\P 只能匹配字符属性。

备注：目前也有计划将字符串属性的功能移植到 u 模式中。

示例

通用类别

通用类别用于对 Unicode 字符进行分类，而子类别则用于定义更精确的分类。在 Unicode 属性转义序列中，可以使用短形式或长形式。

它们可用于匹配字母、数字、符号、标点、空格等。如需查看更详尽的一般类别列表，请参阅 Unicode 规范。

js
// 匹配文本中所有的字母
const story = "It's the Cheshire Cat: now I shall have somebody to talk to.";

// 最明确的形式
story.match(/\p{General_Category=Letter}/gu);

// 对于通用类别，无需使用属性名称
story.match(/\p{Letter}/gu);

// 与以下内容等价（简写形式）：
story.match(/\p{L}/gu);

// 这也等同于（使用简短别名对所有子类别进行并集运算）：
story.match(/\p{Lu}|\p{Ll}|\p{Lt}|\p{Lm}|\p{Lo}/gu);

文字与文字扩展

某些语言使用不同的文字系统进行书写。例如，英语和西班牙语使用拉丁字母书写，而阿拉伯语和俄语则使用其他文字系统（分别是阿拉伯文和西里尔文）。Unicode 的 Script 和 Script_Extensions 属性允许正则表达式根据字符主要使用的文字系统（Script）或其所属的文字系统集合（Script_Extensions）来匹配字符。

例如，A 属于 Latin 字符集，而 ε 属于 Greek 字符集。

js
const mixedCharacters = "aεЛ";

// 使用脚本的标准“长”名称
mixedCharacters.match(/\p{Script=Latin}/u); // a

// 为该种文字使用简短别名（ISO 15924 代码）
mixedCharacters.match(/\p{Script=Grek}/u); // ε

// 为“Script”属性使用缩写名“sc”
mixedCharacters.match(/\p{sc=Cyrillic}/u); // Л

更多详情，请参阅 Unicode 规范、ECMAScript 规范中的文字表 以及 ISO 15924 文字代码列表。

如果某个字符属于有限的文字集合，Script 属性仅匹配“主要”使用的文字。如果我们要根据“非主要”文字匹配字符，可以使用 Script_Extensions 属性（简称 scx）。

js
// ٢ 是阿拉伯——印度数字系统中的数字 2，虽然它主要使用阿拉伯字母书写，但也可能使用塔纳字母书写。

"٢".match(/\p{Script=Thaana}/u);
// null，因为塔纳文并非主要文字

"٢".match(/\p{Script_Extensions=Thaana}/u);
// ["٢", index: 0, input: "٢", groups: undefined]

Unicode 属性转义与字符类

在 JavaScript 正则表达式中，也可以使用字符类，特别是 \w 或 \d 来匹配字母或数字。然而，此类形式仅匹配拉丁字母表中的字符（换言之，\w 匹配 a 到 z 以及 A 到 Z，\d 匹配 0 到 9）。如此示例所示，处理非拉丁文本时可能会有些笨拙。

Unicode 属性转义类别涵盖了更多的字符，而 \p{Letter} 或 \p{Number} 适用于任何字符集。

js
// 尝试使用字符集来规避 \w 的限制：

const nonEnglishText = "Приключения Алисы в Стране чудес";
const regexpBMPWord = /([\u0000-\u0019\u0021-\uFFFF])+/gu;
// BMP 范围从 U+0000 到 U+FFFF，但空格是 U+0020

console.table(nonEnglishText.match(regexpBMPWord));

//  改用 Unicode 属性转义符
const regexpUPE = /\p{L}+/gu;
console.table(nonEnglishText.match(regexpUPE));

匹配价格

以下示例在字符串中匹配价格：

js
function getPrices(str) {
  // Sc 代表“货币符号”
  return [...str.matchAll(/\p{Sc}\s*[\d.,]+/gu)].map((match) => match[0]);
}

const str = `California rolls $6.99
Crunchy rolls $8.49
Shrimp tempura $10.99`;
console.log(getPrices(str)); // ["$6.99", "$8.49", "$10.99"]

const str2 = `US store $19.99
Europe store €18.99
Japan store ¥2000`;
console.log(getPrices(str2)); // ["$19.99", "€18.99", "¥2000"]

基本原理

在 ES2018 之前，JavaScript 没有强有效的方式用匹配出不同文字(如马其顿语，希腊语，Georgian 等) 或不同 属性名 (如 Emoji 等) 的字符。另见 tc39 Proposal on Unicode Property Escapes.

Unicode 属性转移与字符类

在 JavaScript 正则表达式中，也可以使用字符类，特别是 \w 或 \d 来匹配字母或数字。然而，此类形式仅匹配拉丁字母表中的字符（换言之，\w 匹配 a 到 z 以及 A 到 Z，\d 匹配 0 到 9）。如此示例所示，处理非拉丁文本时可能会有些笨拙。

Unicode 属性转义类别涵盖了更多的字符，而 \p{Letter} 或 \p{Number} 适用于任何文字。

匹配字符串

使用 v 标志时，\p{…} 可以利用字符串的特性，匹配可能长于一个字符的字符串：

js
const flag = "🇺🇳";
console.log(flag.length); // 2
console.log(/\p{RGI_Emoji_Flag_Sequence}/v.exec(flag)); // [ '🇺🇳' ]

不过，你不能使用 \P 来匹配“一个不具有该属性的字符串”，因为无法确定应该消耗多少个字符。

js
/\P{RGI_Emoji_Flag_Sequence}/v; // SyntaxError: Invalid regular expression: Invalid property name

规范

Specification
ECMAScript® 2027 Language Specification
# prod-CharacterClassEscape

浏览器兼容性

参见

Help improve MDN

Learn how to contribute

This page was last modified on by MDN contributors.

View this page on GitHub • Report a problem with this content