lua中中文单词前一个可选空格的正则表达式

Question

我尝试使用

string.match("Í",'%s?[\u{4e00}-\u{9FFF}]+')

，这与我们在 JS 或其他语言中的工作方式类似。但它会匹配一个不必要的字符，如上面的“Í”。

匹配UTF-8的官方实现是使用eacape

\ddd

但是

\u{XXX}

似乎失败了因为

Lua 的模式匹配设施按字节工作

暂时，我使用类似于

utf8.charpattern

的不稳定解决方法：

string.match("Í",'%s?[\228-\233][%z\1-\191][%z\1-\191]')

基于 utf8 编码 将输出

nil

并可用于检查 cjk（如“我”），尽管它对于左侧第二个字节有一个错误的范围.

问：

如何用正则表达式解决这个问题？

Answer 1

1. Lua 模式不是正则表达式。正则表达式具有 Lua 模式所没有的功能（例如分组、可能嵌套和选择），并且 Lua 模式具有正则表达式（至少在形式语言意义上）所没有的功能（例如

   %b

   、

   %1） 

   ）。
2. 你是对的：Lua 模式不是在“代码点”上操作，而是在字节上操作。这就是为什么

   \u{4e00}-\u{9FFF}

   不起作用：Lua在这里看到的是

   \228\184\128-\233\191\191

   ，相当于

   \184\191\228\128-\233

   ，这与你想要的有很大不同（值得注意的是，范围突然从

   \128

   到

   \233

   ）。我认为

   -

   与在源代码中显示为单个代码点的多字节“字符”的交互有点像枪炮。

由于您想要一个纯 Lua 解决方案，并且考虑到您的模式的简单性，因此手工解决方案是可行的：

local codepoints = {}
for _, c in utf8.codes(s) do
    if utf8.char(c):match"^%s$" and codepoints[1] == nil then
        codepoints[1] = c
    elseif c >= 0x4e00 and c <= 0x9FFF then
        table.insert(codepoints, c)
    else
        codepoints = {}
    end
end
local match = utf8.char(table.unpack(codepoints))
if match:match"^%s?$" then match = nil end -- single space or empty string