Разрыв слова регулярного выражения с помощью диакритических знаков юникода

Question

Я работаю над приложением, которое выполняет поиск текста с использованием регулярных выражений на основе входных данных пользователя.Один из вариантов, который есть у пользователя, - включить подстановочный знак "Соответствует 0 или более символам", используя звездочку.Мне нужно, чтобы это совпадало только между границами слов.Моей первой попыткой было преобразовать все звездочки в (?:(?=\B).)*, что прекрасно работает в большинстве случаев.Где это не удается, так это, по-видимому .Net считает позицию между символом юникода с диакритическим знаком и другим символом разрывом слов.Я считаю это ошибкой и отправил ее в Сайт обратной связи Майкрософт.

Тем временем, однако, мне нужно внедрить функциональность и отправить продукт.Я подумываю об использовании [\p{L}\p{M}\p{N}\p{Pc}]* в качестве текста замены, но, честно говоря, нахожусь в положении "Я действительно не понимаю, что это будет делать".Я имею в виду, я могу прочитать спецификации, но не уверен, что смогу достаточно протестировать это, чтобы убедиться, что оно делает то, что я ожидаю.Я просто не знал бы всех граничных условий для проверки.Приложение используется представителями разных культур, многие из которых проживают в племенных районах, поэтому необходимо поддерживать любые системы письма, включая те, которые используют разрывы слов нулевой ширины.

Есть ли у кого-нибудь более элегантное решение, или он мог бы подтвердить / исправить приведенный выше код, или предложить несколько советов?

Спасибо за вашу помощь.

Answer 1

Эквивалент /(?:(?=\B).)*/ в контексте unicode было бы:

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

... или несколько упрощенный:

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

Это соответствовало бы либо последовательности слов, либо последовательности, не состоящей из слов (интервалы, знаки препинания и т.д.), возможно, пустой.

Нормальная или отрицаемая граница слова (\b или \B) - это, по сути, двойной осмотр.Один оглядывается назад, чтобы убедиться в типе персонажа, который предшествует текущей позиции.Точно так же тот, кто смотрит вперед.

Во втором регулярном выражении я удалил обходные пути и вместо этого использовал простые классы символов.