Unicode-Zeichenklassen-Flucht: \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 July 2020.

Ein Unicode-Zeichenklassen-Flucht ist eine Art von Zeichenklassen-Flucht, die eine Menge von Zeichen anhand einer Unicode-Eigenschaft abgleicht. Sie wird nur im Unicode-bewussten Modus unterstützt. Wenn das v-Flag aktiviert ist, kann sie auch genutzt werden, um endliche Zeichenketten zu vergleichen.

Probieren Sie es aus

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

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

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

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

Syntax

regex
\p{loneProperty}
\P{loneProperty}

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

Parameter

loneProperty

Ein einzelner Unicode-Eigenschaftsname oder Wert, der der gleichen Syntax wie value folgt. Er gibt den Wert für die Eigenschaft General_Category an oder einen binären Eigenschaftsnamen. Im v-Modus kann es sich auch um eine binäre Unicode-Eigenschaft von Zeichenketten handeln.

Hinweis: Die ICU-Syntax erlaubt es, den Eigenschaftsnamen Script ebenfalls wegzulassen, aber JavaScript unterstützt dies nicht, da Script_Extensions meist nützlicher ist als Script.

property

Ein Unicode-Eigenschaftsname. Muss aus ASCII-Buchstaben (A–Z, a–z) und Unterstrichen (_) bestehen und muss einer der nicht-binären Eigenschaftsnamen sein.

value

Ein Unicode-Eigenschaftswert. Muss aus ASCII-Buchstaben (A–Z, a–z), Unterstrichen (_) und Ziffern (0–9) bestehen und muss einer der unterstützten Werte sein, die in PropertyValueAliases.txt aufgeführt sind.

Beschreibung

\p und \P werden nur im Unicode-bewussten Modus unterstützt. Im Unicode-unbewussten Modus sind sie Identitätsausdrücke für das Zeichen p oder P.

Jedes Unicode-Zeichen hat eine Reihe von Eigenschaften, die es beschreiben. Zum Beispiel hat das Zeichen a die General_Category-Eigenschaft mit dem Wert Lowercase_Letter und die Script-Eigenschaft mit dem Wert Latn. Die Escape-Sequenzen \p und \P ermöglichen es, ein Zeichen basierend auf seinen Eigenschaften abzugleichen. Zum Beispiel kann a durch \p{Lowercase_Letter} (der General_Category Eigenschaftsname ist optional) sowie \p{Script=Latn} abgeglichen werden. \P erstellt eine Komplementklasse, die aus Codepunkten ohne die angegebene Eigenschaft besteht.

Wenn das i-Flag gesetzt ist, werden \P Zeichenklassen im u- und v-Modus leicht unterschiedlich behandelt. Im u-Modus erfolgt die Kleinschreibung nach der Subtraktion, im v-Modus erfolgt die Kleinschreibung vor der Subtraktion. Konkret gesagt, im u-Modus entspricht \P{property} caseFold(allCharacters - charactersWithProperty). Das bedeutet, dass /\P{Lowercase_Letter}/iu immer noch "a" trifft, weil A kein Lowercase_Letter ist. Im v-Modus entspricht \P{property} caseFold(allCharacters) - caseFold(charactersWithProperty). Das bedeutet, dass /\P{Lowercase_Letter}/iv "a" nicht trifft, weil A nicht einmal in der Menge aller klein geschriebenen Unicode-Zeichen enthalten ist. Siehe auch Komplementklassen und kasusinsensitives Matching.

Um mehrere Eigenschaften zu kombinieren, verwenden Sie die Zeichensatz-Schnittmenge-Syntax, die mit dem v-Flag aktiviert wird, oder sehen Sie sich die Muster-Subtraktion und Schnittmenge an.

Im v-Modus kann \p eine Sequenz von Codepunkten treffen, die in Unicode als "Eigenschaften von Zeichenketten" definiert sind. Dies ist besonders nützlich für Emojis, die oft aus mehreren Codepunkten bestehen. \P kann jedoch nur Zeichen-Eigenschaften komplementieren.

Hinweis: Es gibt Pläne, die Funktion "Eigenschaften von Zeichenketten" auch in den u-Modus zu portieren.

Beispiele

Allgemeine Kategorien

Allgemeine Kategorien werden verwendet, um Unicode-Zeichen zu klassifizieren, und Unterkategorien sind verfügbar, um eine genauere Kategorisierung zu definieren. Es ist möglich, sowohl kurze als auch lange Formen in Unicode-Eigenschaftsausdrücken zu verwenden.

Sie können verwendet werden, um Buchstaben, Zahlen, Symbole, Satzzeichen, Leerzeichen usw. zu vergleichen. Für eine ausführlichere Liste der allgemeinen Kategorien, verweisen wir auf die Unicode-Spezifikation.

js
// finding all the letters of a text
const story = "It's the Cheshire Cat: now I shall have somebody to talk to.";

// Most explicit form
story.match(/\p{General_Category=Letter}/gu);

// It is not mandatory to use the property name for General categories
story.match(/\p{Letter}/gu);

// This is equivalent (short alias):
story.match(/\p{L}/gu);

// This is also equivalent (conjunction of all the subcategories using short aliases)
story.match(/\p{Lu}|\p{Ll}|\p{Lt}|\p{Lm}|\p{Lo}/gu);

Skripte und Skripterweiterungen

Einige Sprachen verwenden unterschiedliche Skripte für ihr Schriftsystem. Zum Beispiel werden Englisch und Spanisch im lateinischen Skript geschrieben, während Arabisch und Russisch mit anderen Skripten (respektive Arabisch und Kyrillisch) geschrieben werden. Die Unicode-Eigenschaften Script und Script_Extensions erlauben regulären Ausdrücken, Zeichen entsprechend dem Skript abzugleichen, mit dem sie hauptsächlich verwendet werden (Script) oder entsprechend der Menge der Skripte, zu denen sie gehören (Script_Extensions).

Zum Beispiel gehört A zum Latin-Skript und ε zum Greek-Skript.

js
const mixedCharacters = "aεЛ";

// Using the canonical "long" name of the script
mixedCharacters.match(/\p{Script=Latin}/u); // a

// Using a short alias (ISO 15924 code) for the script
mixedCharacters.match(/\p{Script=Grek}/u); // ε

// Using the short name sc for the Script property
mixedCharacters.match(/\p{sc=Cyrillic}/u); // Л

Für mehr Details verweisen wir auf die Unicode-Spezifikation, die Skripttabelle in der ECMAScript-Spezifikation, und die ISO 15924 Liste der Skriptcodes.

Wenn ein Zeichen in einem begrenzten Satz von Skripten verwendet wird, wird die Script-Eigenschaft nur für das "vorherrschend" verwendete Skript übereinstimmen. Wenn wir Zeichen basierend auf einem "nicht-vorherrschenden" Skript abgleichen möchten, könnten wir die Script_Extensions-Eigenschaft (kurz scx) verwenden.

js
// ٢ is the digit 2 in Arabic-Indic notation
// while it is predominantly written within the Arabic script
// it can also be written in the Thaana script

"٢".match(/\p{Script=Thaana}/u);
// null as Thaana is not the predominant script

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

Unicode-Eigenschaftsflüchte vs. Zeichenklassen

Mit JavaScript-Regulären Ausdrücken ist es auch möglich, Zeichenklassen und insbesondere \w oder \d zu verwenden, um Buchstaben oder Ziffern abzugleichen. Solche Formen treffen jedoch nur Zeichen des lateinischen Skripts (mit anderen Worten, a bis z und A bis Z für \w und 0 bis 9 für \d). Wie in diesem Beispiel gezeigt, könnte es etwas umständlich sein, mit nicht-lateinischen Texten zu arbeiten.

Unicode-Eigenschaftsausdrucks-Kategorien umfassen viel mehr Zeichen und \p{Letter} oder \p{Number} funktionieren für jedes Skript.

js
// Trying to use ranges to avoid \w limitations:

const nonEnglishText = "Приключения Алисы в Стране чудес";
const regexpBMPWord = /([\u0000-\u0019\u0021-\uFFFF])+/gu;
// BMP goes through U+0000 to U+FFFF but space is U+0020

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

// Using Unicode property escapes instead
const regexpUPE = /\p{L}+/gu;
console.table(nonEnglishText.match(regexpUPE));

Preise abgleichen

Das folgende Beispiel gleicht Preise in einem String ab:

js
function getPrices(str) {
  // Sc stands for "currency symbol"
  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"]

Zeichenketten abgleichen

Mit dem v-Flag kann \p{…} Zeichenketten abgleichen, die potenziell länger als ein Zeichen sind, indem eine Eigenschaft von Zeichenketten verwendet wird:

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

Sie können jedoch nicht \P verwenden, um "eine Zeichenkette ohne eine Eigenschaft" abzugleichen, da unklar ist, wie viele Zeichen konsumiert werden sollen.

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

Spezifikationen

Specification
ECMAScript® 2026 Language Specification
# prod-CharacterClassEscape

Browser-Kompatibilität

Siehe auch