使用RegEx在Embarcadero的C++ Builder中將文本拆分爲單個單詞

我正在使用Embarcadero的C++ Builder開發拼寫檢查應用程序。我使用正則表達式將文本分成單個單詞。下面的代碼在RAD Studio XE上運行良好，但是與RAD Studio Seattle沒有相同的行爲。使用RegEx在Embarcadero的C++ Builder中將文本拆分爲單個單詞

當單詞包含非拉丁字符（如德語變音符號Ä，Ö，Ü）或帶有重音符號（é，ê，à）的字符時，會出現此問題。「\ w」被解釋爲[a-zA-Z_0-9]忽略非拉丁字符。

首先，我的語境中的單詞是什麼？可能的話包括：

「\ r \ n」個
「字字字字...」
「字。」或「字處理」
詞語與apostrophs：「 '」「一詞wor'd」，「字」'
「字」
有兩種不同類型的撇號：'和「

下面的代碼：

String text (L"Österreich l'année); 
const String sRegex (L"\r\n|(\\w+\\-)+\\w+|\\w+(\\.|\\-)|('|’)?\\w+('|’)?\\w*"); 
TRegEx regex(sRegex, TRegExOptions()); 
TMatchCollection regexMatches = regex.Matches(text); 
for (int i=0; i<regexMatches.Count; ++i) 
{ 
    TMatch regexMatch = regexMatches.Item[i]; 
    String word (regexMatch.Value); 

    //do stuff with word 
}

所需字符串單詞的值是「Österreich」和「l'année」。但是，RegEx匹配的是「sterreich」，「l'ann」和「e」。

我的問題是，如何指定所有非拉丁字符？

來源

2016-08-30 Andreas S.

不知道你是否支持它，但也許你可以從'[\ p {L}'] *'工作。 [請參閱regex101]（https://regex101.com/r/jU0rV7/1）。 – ClasG

進行小測試：如果您的正則表達式爲PCRE，請在模式開頭添加'（* UTF）（* UCP）'。如果這不起作用，您可能會處理JS ECMAScript 5正則表達式，它不支持Unicode。 –

謝謝，使用\ p {L}而不是\ w工作！ –

\p{L}匹配unicode字母。嘗試使用，而不是\w。

See it here at regex101。

如果您還想要數字（與\w一樣），請將\d添加到組中。

來源

2016-08-30 12:16:29 ClasG

並避免評論;） - by * unicode letter *我的意思是一個unicode代碼點在字母類別。 * unicode字母*雖然簡化了答案（imo）。 – ClasG

只需添加：'\ p {L}'只匹配基本字母，如果需要匹配變音符號，則添加'\ p {M}' - '[\ p {L} \ p {M} ]'。一個數字類也可以被添加（因爲原來的'\ w'包含數字）。 –

使用RegEx在Embarcadero的C++ Builder中將文本拆分爲單個單詞

回答

相關問題