重音字符的具体Javascript正则表达式（变音符号）

我已经研究了Stack Overflow（替换字符。eh，JavaScript如何不遵循有关RegExp的Unicode标准等），还没有真正找到问题的具体答案：

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

我正在强制UI中的字段匹配以下格式：（last_name, first_name 最后一个[逗号空间]首先），并且我想提供对变音符号的支持，但是显然在JavaScript中，它比其他语言/平台要难一些。

这是我的原始版本，直到我想添加变音符号支持：

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

目前，我正在讨论增加支持的三种方法之一，所有这些方法我都已经过测试和工作（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）。他们来了：

明确列出我希望接受的所有带重音符号的字符（花边和过于复杂）：

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

• 这样可以正确地将姓氏/名字与中的任何支持的重音字符相匹配accentedCharacters。

我的另一种方法是使用.字符类，使表达式更简单：

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

• 这几乎可以匹配任何东西，至少形式为：something, something。我想那没关系...

我刚刚发现的最后一种方法可能更简单...

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

• 它与一系列unicode字符匹配-经过测试和正常工作，尽管我没有做任何疯狂的事情，但仅仅是我在语言部门中看到的用于教师姓名的普通内容。

这是我的担忧：

1. 第一个解决方案太过局限了，草率而又令人费解。如果我忘了一个或两个字符，则需要更改它，但这不是很实际。
2. 第二种解决方案更好，更简洁，但是它可能比实际需要的匹配得多。我找不到任何实际的文件究竟是什么.比赛，（在从表中“任何除换行符字符”的只是概括MDN）。

3. 第三种解决方案似乎是最精确的，但是有什么陷阱吗？我不是很熟悉的Unicode，在实践中至少，但看着码表 / 该表的延续，\u00C0-\u017F似乎是非常稳固，至少在我的预期输入。

   • 学院不会以其母语（例如阿拉伯语，中文，日语等）提交带有名称的表格，因此我不必担心拉丁字符集字符超出

因此，真正的问题是：这三种方法中哪一种最适合该任务？还是有更好的解决方案？

接受所有重音的更简单方法是：

[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 [ ] ^ \ × ÷

有关以数字顺序列出的字符，请参见https://unicode-table.com/cn/。

拉丁字母的重音范围\u00C0-\u017F不足以容纳我的姓名数据库，因此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

我添加了以下代码块（\u00C0-\u024F一次包含三个相邻的块）：

• \u00C0-\u00FF Latin-1补品
• \u0100-\u017F 拉丁文扩展A
• \u0180-\u024F 拉丁扩展B
• \u1E00-\u1EFF 拉丁文扩展附加

请注意，这\u00C0-\u00FF实际上只是Latin-1 Supplement的一部分。该范围将跳过无法打印的控制信号和除笨拙放置的乘除x \u00D7和除÷ 之外的所有符号\u00F7。

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

如果需要更多代码点，可以在Wikipedia的Unicode字符列表中找到更多范围。例如，您还可以添加Latin Extended-C，D和E，但是我将它们省略了，因为现在只有历史学家似乎对它们感兴趣，并且D和E集甚至在我的浏览器中无法正确呈现。

最初的正则表达式停靠在\u017F名称“ Șenol”上。根据FontSpace的Unicode分析器，第一个字符为\u0218拉丁字母大写字母S，下面是逗号。（是的，它通常拼写为cedilla-S \u015E，“Şenol”。但是我不是要飞往土耳其告诉他，“您的名字拼写错误！”）

这三种方法中哪一种最适合该任务？

取决于任务：-)要完全匹配所有拉丁字符及其带重音的版本，Unicode范围可能提供最佳解决方案。它们可以扩展到所有非空白字符，可以使用\S字符类来完成。

我在UI中强制字段匹配以下格式：（last_name, first_name最后一个[逗号空间]首先）

我在这里看到的最基本的问题不是变音符号，而是空格。有一些名称由多个单词组成，例如标题。因此，您应该使用最通用的名称，即允许使用除以逗号区分姓氏和名字之外的所有内容：

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

但是，使用.字符类的第二种解决方案也一样，那么您只需要关心多个逗号即可。

该XRegExp库有一个名为Unicode的插件，可以帮助解决这样的任务。

<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>

在问题注释中提到了它，但是很容易错过。我在提交此答案后才注意到它。

这个怎么样？

/^[a-zA-ZÀ-ÖØ-öø-ÿ]+$/

那这个呢？

^([a-zA-Z]|[à-ú]|[À-Ú])+$

它将匹配每个带有重音符号的单词。

来自此Wiki：https : //zh.wikipedia.org/wiki/List_of_Unicode_characters#Basic_Latin

对于拉丁字母，我用

/^[A-zÀ-ÖØ-öø-ÿ]+$/ 

它避免连字符和特殊字符

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

说明：

• \pL -匹配任何语言的任何字母
• \pM -附加一个打算与另一个字符组合的字符（例如重音符号，变音符号，封闭框等）
• \p{Zs} -匹配不可见但占用空间的空白字符
• u -模式和主题字符串被视为UTF-8

与其他拟议的正则表达式（例如[A-Za-zÀ-ÖØ-öø-ÿ]）不同，这将适用于所有特定于语言的字符，例如Šš，此规则匹配，但此页面上的其他字符则不匹配。

不幸的是，JavaScript本身不支持这些类。但是，您可以使用xregexp，例如

const XRegExp = require('xregexp');

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

您可以使用以下方法从字母中删除变音符号：

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

它将删除所有变音符，然后对其执行正则表达式

参考：

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