14

我有简单的正则表达式，它在文本中找到了一些单词：

var patern = new RegExp("\bsomething\b", "gi");

这匹配文本中带有空格或标点符号的单词。

所以它匹配：

I have something.

但不匹配：

I havesomething.

什么是好的，正是我需要的。

但我对例如阿拉伯语有疑问。如果我有正则表达式：

var patern = new RegExp("\bرياضة\b", "gi");

和文字：

رياضة أنا أحب رياضتي وأنا سعيد حقا هنا لها حبي

我正在寻找的关键字在文本的末尾。

但这不起作用，它只是找不到它。

如果我\b从正则表达式中删除它会起作用：

var patern = new RegExp("رياضة", "gi");

但这就是我现在想要的，因为如果它是上面英语示例中另一个单词的一部分，我不想找到它：

 I havesomething.

所以我真的对正则表达式知之甚少，如果有人可以帮助我使用英语和阿拉伯语等语言来解决这个问题。

4

4 回答 4

22

我们首先要明白是什么\b意思：

\b 是在称为“单词边界”的位置匹配的锚点。

在您的情况下，您正在寻找的单词边界没有其他阿拉伯字母。

为了只匹配 Regex 中的阿拉伯字母，我们使用 unicode：

[\u0621-\u064A]+

或者我们可以直接使用阿拉伯字母

[ء-ي]+

上面的代码将匹配任何阿拉伯字母。要从中创建一个单词边界，我们可以简单地在两边反转它：

[^ء-ي]ARABIC TEXT[^ء-ي]

上面的代码意味着：不要匹配适用于您的情况的阿拉伯语单词两侧的任何阿拉伯语字符。

考虑一下你给我们的这个例子，我做了一点修改：

 أنا أحب رياضتي رياض رياضة رياضيات وأنا سعيد حقا هنا

如果我们只尝试匹配رياض，这个词将使我们的搜索也匹配رياضة,رياضيات和رياضتي。但是，如果我们添加上面的代码，匹配只会成功رياض。

var x = " أنا أحب رياضتي رياض رياضة رياضيات وأنا سعيد حقا هنا ";
x = x.replace(/([^ء-ي]رياض[^ء-ي])/g, '<span style="color:red">$1</span>');
document.write (x);

如果你想أآإا用一个代码来解释，你可以使用这样的东西，[\u0622\u0623\u0625\u0627]或者简单地在方括号之间列出它们[أآإا]。这是一个完整的代码

var x = "أنا هنا وانا هناك .. آنا هنا وإنا هناك";
x = x.replace(/([أآإا]نا)/g, '<span style="color:red">$1</span>');
document.write (x);

注意：如果要匹配正则表达式中所有可能的阿拉伯字符，包括所有阿拉伯字母أ ب ت ث ج、所有变音符号َ ً ُ ٌ ِ ٍ ّ和所有阿拉伯数字١٢٣٤٥٦٧٨٩٠，请使用此正则表达式： [،-٩]+

关于 Unicode 中阿拉伯字符排名的有用链接：https ://en.wikipedia.org/wiki/Arabic_script_in_Unicode

于 2016-11-22T01:28:03.227 回答
1

这不起作用，因为正则表达式引擎不支持阿拉伯语。您可以在文本（ Unicode 范围）中搜索 unicode 字符。

或者您可以使用编码将文本转换为 unicode，然后以某种方式制作正则表达式（我从未尝试过，但它应该可以工作）。

于 2016-11-21T23:24:52.327 回答
0

如果您不需要复杂的正则表达式（例如，因为您要查找特定单词或单词的简短列表），那么我发现标记搜索文本并以这种方式查找实际上更容易：

    >>> text = 'رياضة أنا أحب رياضتي وأنا سعيد حقا هنا لها حبي '
    >>> tokens = text.split()
    >>> print(tokens)
    ['رياضة', 'أنا', 'أحب', 'رياضتي', 'وأنا', 'سعيد', 'حقا', 'هنا', 'لها', 'حبي']
    >>> search_words = ['رياضة', 'رياضت']    
    >>> found = [w for w in tokens if w in search_words]                                  
    >>> print(found) 
    ['رياضة']  # returns only full-word match

我确信这比 RegEx 慢，但还不够我注意到的。

如果您的文本有标点符号，您可以使用 NLTK 进行更复杂的标记化（因此它会找到像 'رياضة؟' 这样的东西）。

于 2020-05-04T11:59:03.387 回答
0

我用了这个ء-ي٠-٩，它对我有用

于 2022-01-14T19:55:46.767 回答