正则表达式与unicode变音符的断字

Question

我正在使用基于用户输入的正则表达式搜索文本的应用程序。用户拥有的一个选项是使用星号包含“匹配0个或更多个字符”通配符。我需要这个来匹配单词边界。我的第一次尝试是将所有星号转换为(?:(?=\B).)*，这对大多数情况来说工作正常。它显然失败的地方在于.Net考虑了一个Unicode字符与一个变音符号之间的位置，而另一个字符则是一个断字符。我认为这是一个错误，并将其提交到Microsoft feedback site。

然而，在此期间，我需要实现功能和产品出货。我正在考虑使用[\p{L}\p{M}\p{N}\p{Pc}]*作为替代文本，但坦率地说，我在“我真的不明白这将要做什么”的土地。我的意思是，我可以阅读规格说明书，但我不确定我是否可以对此进行充分测试，以确保其符合我的期望。我根本不知道要测试的所有边界条件。该应用程序由跨文化工作人员使用，其中许多人处于部落地区，因此需要支持任何和所有书写系统，其中包括一些使用零宽度单词分隔的书写系统。

有没有人有更优雅的解决方案，或者可以确认/更正上面的代码，或提供一些指针？

感谢您的帮助。

Answer 1

的/(?:(?=\B).)*/在一个unicode上下文中的等效将是：

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

...或稍微简化：

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

这将匹配字词或一个非字（间距，标点符号等）顺序，可能是空的。

正常或否定字边界（\b或\B）基本上是一个双重环视。一个看后面，确保当前位置之前的字符类型。同样，展望未来。

在第二个正则表达式中，我删除了环视并使用简单的字符类代替。