正则表达式匹配埃及象形文字[关闭]

Question 1

我想知道一个正则表达式，以匹配埃及象形文字。我完全一无所知，需要您的帮助。

我无法发布字母，因为堆栈溢出似乎无法识别它。

任何人都可以让我知道这些字符的unicode范围。

Question 2

TLDNR： \p{Egyptian_Hieroglyphs}

Java脚本

Egypt_Hieroglyphs属于“星形”平面，该平面使用16个以上的位来编码字符。从ES5开始，JavaScript不支持星体平面（更多关于），因此您必须使用代理对。第一个代理人是

U+13000 = d80c dc00

最后一个是

U+1342E = d80d dc2e

这给

re = /(\uD80C[\uDC00-\uDFFF]|\uD80D[\uDC00-\uDC2E])+/g

t = document.getElementById("pyramid").innerHTML
document.write("<h1>Found</h1>" + t.match(re))

<div id="pyramid">

  some     𓀀	really    𓀁	old    𓐬	stuff    𓐭	    𓐮
  
  </div>

展开摘要

这就是它的样子安装Noto Sans埃及象形文字的：

在此处输入图片说明

其他语言

在支持UCS-4的平台上，您可以直接使用埃及代码点13000进行编码1342F，但是语法因系统而异。例如，在Python（3.3或更高版本）中，它将是[\U00013000-\U0001342E]：

>>> s = "some \U+13000 really \U+13001 old \U+1342C stuff \U+1342D \U+1342E"
>>> s
'some 𓀀 really 𓀁 old 𓐬 stuff 𓐭 𓐮'
>>> import re
>>> re.findall('[\U00013000-\U0001342E]', s)
['𓀀', '𓀁', '𓐬', '𓐭', '𓐮']

最后，如果您的正则表达式引擎支持unicode属性，则可以（并且应该）使用这些属性而不是硬编码范围。例如在php / pcre中：

$str = " some 𓀀 really 𓀁 old 𓐬 stuff 𓐭  𓐮";

preg_match_all('~\p{Egyptian_Hieroglyphs}~u', $str, $m);
print_r($m);

版画

[0] => Array
    (
        [0] => 𓀀
        [1] => 𓀁
        [2] => 𓐬
        [3] => 𓐭
        [4] => 𓐮
    )

Question 3

Unicode编码范围从U + 13000 – U + 1342F（超出基本多语言平面）的埃及象形文字。

在这种情况下，有两种编写正则表达式的方法：

通过指定字符范围从U + 13000 – U + 1342F。

尽管[a-z]根据语言支持，使用BMP中的字符在regex中指定字符范围很容易，但是对于星体平面中的字符来说，这样做并不那么简单。
通过为埃及象形文字指定Unicode块

由于我们匹配埃及象形文字块中的任何字符，因此这是在有支持的情况下编写正则表达式的首选方式。

爪哇

（目前，我不知道Java类库的其他实现如何处理 Pattern）。

Sun / Oracle实施

我不确定在Java 1.4中谈论在星体平面上匹配字符是否有意义，因为Java 5中仅通过改造现有的String实现（使用UCS-2作为其内部String表示形式）来添加对BMP以外字符的支持。）和代码点感知方法。

^{由于Java继续允许在String中指定单独的替代（不能与其他替代成对），因此，由于替代不是真正的字符，并且单独的替代在UTF-16中是无效的，因此导致混乱。}

Pattern 从Java 1.4.x到Java 5，该类进行了重大改进，因为该类被重写以提供对在星体平面中匹配Unicode字符的支持：将模式字符串在解析之前转换为代码点数组，并输入字符串由String类中的代码点感知方法遍历。

您可以在tchist的答案中阅读有关Java regex疯狂的更多信息。

我已经写了一个详细的解释，说明如何在此答案中匹配涉及星体平面字符的一系列字符，因此我将仅在此处包括代码。它还包括一些错误尝试，这些尝试错误地尝试编写正则表达式以匹配星体平面字符。

Java 5（及更高版本）

"[\uD80C\uDC00-\uD80D\uDC2F]"

Java 7（及更高版本）

"[\\uD80C\\uDC00-\\uD80D\\uDC2F]"
"[\\x{13000}-\\x{1342F}]"

由于我们匹配任何属于Unicode块的代码点，因此它也可以写成：

"\\p{InEgyptian_Hieroglyphs}"
"\\p{InEgyptian Hieroglyphs}"
"\\p{InEgyptianHieroglyphs}"

"\\p{block=EgyptianHieroglyphs}"
"\\p{blk=Egyptian Hieroglyphs}"

支持Java \p从1.4开始就支持Unicode块的语法，但是仅在Java 7中添加了对埃及象形文字块的支持。

PCRE（在PHP中使用）

georg的答案已经涵盖了PHP示例：

'~\p{Egyptian_Hieroglyphs}~u'

请注意，u如果要按代码点匹配而不是按代码单位匹配，则标志是必需的。

不知道在StackOverflow上是否有更好的文章，但是我u在我的这个答案中写了一些关于标志效果的解释（UTF模式）。

需要注意的一点Egyptian_Hieroglyphs是只能从PCRE 8.02（或不低于PCRE 7.90的版本）获得）获得。

或者，您可以使用以下\x{h...hh}语法指定字符范围：

'~[\x{13000}-\x{1342F}]~u'

注意强制性 u标志。

该\x{h...hh}语法是由至少支持PCRE 4.50。

JavaScript（ECMAScript）

ES5

字符范围方法（这是在普通JavaScript中执行此操作的唯一方法）已在georg的答案中介绍。修改正则表达式以覆盖整个块，包括保留的未分配代码点。

/(?:\uD80C[\uDC00-\uDFFF]|\uD80D[\uDC00-\uDC2F])/

上面的解决方案演示了在星体平面中匹配一系列字符的技术，以及JavaScript RegExp的局限性。

JavaScript还遭受与Java相同的字符串表示问题。尽管Java确实Pattern在Java 5中修复了类以使其可以使用代码点，但是JavaScriptRegExp仍然停留在UCS-2时代，这迫使我们使用代码单元而不是正则表达式中的代码点。

ES6

最后，在ECMAScript 6中添加了对代码点匹配的支持，该u标志可通过标志使用，以防止破坏早期版本的ECMAScript中的现有实现。

在上面第二个链接中查看“支持”部分，以获取对ES6提供实验性支持的浏览器列表RegExp。

通过\u{h...hh}在ES6中引入语法，可以以类似于Java 7的方式重写字符范围：

/[\u{13000}-\u{1342F}]/u

或者，您也可以直接在文字中指定字符RegExp，尽管意图并不像[a-z]：

/[𓀀-𓐯]/u

注意 u上面两个正则表达式中修饰符。

仍然陷在ES5中？别担心，你可以transpile ES6的Unicode正则表达式来ES5正则表达式与regxpu。