正則表達式與unicode變音符的斷字

Question

我正在使用基於用戶輸入的正則表達式搜索文本的應用程序。用戶擁有的一個選項是使用星號包含「匹配0個或更多個字符」通配符。我需要這個來匹配單詞邊界。我的第一次嘗試是將所有星號轉換爲(?:(?=\B).)*，這對大多數情況來說工作正常。它顯然失敗的地方在於.Net考慮了一個Unicode字符與一個變音符號之間的位置，而另一個字符則是一個斷字符。我認爲這是一個錯誤，並將其提交到Microsoft feedback site。

然而，在此期間，我需要實現功能和產品出貨。我正在考慮使用[\p{L}\p{M}\p{N}\p{Pc}]*作爲替代文本，但坦率地說，我在「我真的不明白這將要做什麼」的土地。我的意思是，我可以閱讀規格說明書，但我不確定我是否可以對此進行充分測試，以確保其符合我的期望。我根本不知道要測試的所有邊界條件。該應用程序由跨文化工作人員使用，其中許多人處於部落地區，因此需要支持任何和所有書寫系統，其中包括一些使用零寬度單詞分隔的書寫系統。

有沒有人有更優雅的解決方案，或者可以確認/更正上面的代碼，或提供一些指針？

感謝您的幫助。

Answer 1

的/(?:(?=\B).)*/在一個unicode上下文中的等效將是：

/ 
(?: 
    (?: (?<=[\p{L}\p{M}\p{N}\p{Pc}]) (?=[\p{L}\p{M}\p{N}\p{Pc}]) 
    | (?<![\p{L}\p{M}\p{N}\p{Pc}]) (?![\p{L}\p{M}\p{N}\p{Pc}]) 
) 
    . 
)* 
/

...或稍微簡化：

/(?:[\p{L}\p{M}\p{N}\p{Pc}]+|[^\p{L}\p{M}\p{N}\p{Pc}]+)?/ 

這將匹配字詞或一個非字（間距，標點符號等）順序，可能是空的。

正常或否定字邊界（\b或\B）基本上是一個雙重環視。一個看後面，確保當前位置之前的字符類型。同樣，展望未來。

在第二個正則表達式中，我刪除了環視並使用簡單的字符類代替。