Regex palavra-break com diacríticos unicode

Question

Eu estou trabalhando em um aplicativo que pesquisas de texto usando expressões regulares com base na entrada de um usuário. Uma opção que o usuário tem é a de incluir "um fósforo a 0 ou mais caracteres" wildcard usando o asterisco. Eu preciso disso para corresponder apenas entre os limites de palavra. Minha primeira tentativa foi para converter todos os asteriscos para (?:(?=\B).)*, que funciona bem para a maioria dos casos. Onde ele falha é que, aparentemente, .Net considera a posição entre um caractere Unicode com um diacrítico e outro personagem uma palavra-break. Eu considero isso um erro, e apresentaram-lo para o Microsoft .

Enquanto isso, no entanto, eu preciso para obter a funcionalidade implementada e produto enviado. Estou pensando em usar [\p{L}\p{M}\p{N}\p{Pc}]* como o texto de substituição, mas, francamente, estou em "Eu realmente não entendo o que isso vai fazer" terra. Quero dizer, eu posso ler as especificações, mas não estou confiante de que eu poderia suficientemente testar isso para ter certeza de que está fazendo o que eu espero. Eu simplesmente não sei todas as condições de contorno para teste. O aplicativo é usado por trabalhadores cross-culturais, muitos dos quais estão em locais tribais, portanto, quaisquer e todos os sistemas de escrita precisam ser suportados, incluindo alguns que usam quebras de palavras de largura zero.

Alguém tem uma solução mais elegante, ou poderia confirmar / corrigir o código acima, ou oferecer alguns ponteiros?

Obrigado por sua ajuda.

Answer 1

O equivalente a /(?:(?=\B).)*/ num contexto unicode seria:

/
(?:
  (?: (?<=[\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}])
  )
  .
)*
/

... ou um pouco simplificado:

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

Isto iria corresponder quer uma palavra ou de um não-palavra (espaçamento, pontuação, etc.) sequência, possivelmente um vazio.

A normal ou negada palavra-limite (\b ou \B) é basicamente um olhar em torno de casal. Um olhar para trás, certificando-se do tipo de personagem que precede a posição atual. Da mesma forma um olhar em frente.

Na segunda regex, eu removi os look-arounds e classes de personagens simples usado em seu lugar.