.NET regex:什么是字符\w?

从 documentation :

字字符:\w

\w 匹配任何单词字符。字字符是下表中列出的任何Unicode类别的成员。

• Ll (字母,小写)
• Lu (字母,大写)
• Lt (字母,标题)
• Lo (信件,其他)
• Lm (字母、修饰语)
• Nd (数字,十进制数字)
• Pc (标点符号、连接符)
  • 这个类别包括十个字符,其中最常用的是下线字符(_u),u+005f。

如果指定了ECMAScript兼容行为, \w 等于 [a-zA-Z_0-9] .

也见

• Unicode Character Database
• Unicode Characters in the 'Punctuation, Connector' Category

基本上,它符合所有可以被认为是直观定义的 信 在各种脚本中,加上下划线和一些其他奇怪的东西。

您可以找到一个完整的列表(至少对于BMP),其中包含以下微小的PowerShell片段:

0..65535 | ?{([char]$_) -match '\w'} | %{ "$_`: " + [char]$_ }

因此,在.NET中使用'\w'进行了一些研究后,它相当于:

public static class Extensions { 
    /// <summary>
    /// The word categories.
    /// </summary>
    [NotNull]
    private static readonly HashSet<UnicodeCategory> _wordCategories = new HashCollection<UnicodeCategory>(
                new[]
                {
            UnicodeCategory.DecimalDigitNumber,
            UnicodeCategory.UppercaseLetter,
            UnicodeCategory.ConnectorPunctuation,
            UnicodeCategory.LowercaseLetter,
            UnicodeCategory.OtherLetter,
            UnicodeCategory.TitlecaseLetter,
            UnicodeCategory.ModifierLetter,
            UnicodeCategory.NonSpacingMark,
                });

    /// <summary>
    /// Determines whether the specified character is a word character (equivalent to '\w').
    /// </summary>
    /// <param name="c">The c.</param>
    public static bool IsWord(this char c) => _wordCategories.Contains(char.GetUnicodeCategory(c));
}

我把它作为一种扩展方法来编写,以便于在任何字符上使用。 c 只需调用 c.IsWord() 哪个会回来 true 如果字符是单词字符。这应该比使用regex快得多。

有趣的是,这似乎与.NET规范不匹配,事实上,“w”与938“nonspacingmark”字符匹配,但没有提到。

总的来说,这与65535个字符中的49760个匹配,因此通常在Web上显示的简单regex是不完整的。