如何匹配 Unicode 元音字母？

Question

什么字符 class 或 Unicode 属性将匹配 Perl 中的任何 Unicode 元音？

错误答案：[aeiouAEIOU]。（sermon here，洗衣清单中的第 24 项）

perluniprops 仅提及韩文和印度文的元音。

让我们搁置元音是什么的问题。是的，i 在某些情况下可能不是元音。因此，任何 可以是元音 的字符都可以。

Answer 1

没有这样的属性。

$ uniprops --all a
U+0061 <a> \N{LATIN SMALL LETTER A}
    \w \pL \p{LC} \p{L_} \p{L&} \p{Ll}
    AHex POSIX_XDigit All Alnum X_POSIX_Alnum Alpha X_POSIX_Alpha Alphabetic Any ASCII
       ASCII_Hex_Digit Assigned Basic_Latin ID_Continue Is_IDC Cased Cased_Letter LC
       Changes_When_Casemapped CWCM Changes_When_Titlecased CWT Changes_When_Uppercased CWU Ll L
       Gr_Base Grapheme_Base Graph X_POSIX_Graph GrBase Hex X_POSIX_XDigit Hex_Digit IDC ID_Start
       IDS Letter L_ Latin Latn Lowercase_Letter Lower X_POSIX_Lower Lowercase PerlWord POSIX_Word
       POSIX_Alnum POSIX_Alpha POSIX_Graph POSIX_Lower POSIX_Print Print X_POSIX_Print Unicode Word
       X_POSIX_Word XDigit XID_Continue XIDC XID_Start XIDS
    Age=1.1 Age=V1_1 Block=Basic_Latin Bidi_Class=L Bidi_Class=Left_To_Right BC=L
       Bidi_Paired_Bracket_Type=None Block=ASCII BLK=ASCII Canonical_Combining_Class=0
       Canonical_Combining_Class=Not_Reordered CCC=NR Canonical_Combining_Class=NR
       Decomposition_Type=None DT=None East_Asian_Width=Na East_Asian_Width=Narrow EA=Na
       Grapheme_Cluster_Break=Other GCB=XX Grapheme_Cluster_Break=XX Hangul_Syllable_Type=NA
       Hangul_Syllable_Type=Not_Applicable HST=NA Indic_Positional_Category=NA InPC=NA
       Indic_Syllabic_Category=Other InSC=Other Joining_Group=No_Joining_Group JG=NoJoiningGroup
       Joining_Type=Non_Joining JT=U Joining_Type=U Script=Latin Line_Break=AL
       Line_Break=Alphabetic LB=AL Numeric_Type=None NT=None Numeric_Value=NaN NV=NaN
       Present_In=1.1 IN=1.1 Present_In=2.0 IN=2.0 Present_In=2.1 IN=2.1 Present_In=3.0 IN=3.0
       Present_In=3.1 IN=3.1 Present_In=3.2 IN=3.2 Present_In=4.0 IN=4.0 Present_In=4.1 IN=4.1
       Present_In=5.0 IN=5.0 Present_In=5.1 IN=5.1 Present_In=5.2 IN=5.2 Present_In=6.0 IN=6.0
       Present_In=6.1 IN=6.1 Present_In=6.2 IN=6.2 Present_In=6.3 IN=6.3 Present_In=7.0 IN=7.0
       Present_In=8.0 IN=8.0 SC=Latn Script=Latn Script_Extensions=Latin Scx=Latn
       Script_Extensions=Latn Sentence_Break=LO Sentence_Break=Lower SB=LO Word_Break=ALetter WB=LE
       Word_Break=LE

在处理 i18n 时最重要的是考虑你实际需要什么，但你甚至没有提到你想要完成的事情。

找元音？那不可能是你真正想要做的。我可以看到用于识别单词中元音发音的用途，但它们通常由多个字母组成（例如英语中的 "oo"，以及 "in"，"an"/"en"、"ou"、"ai"、"au"/"eau"、"eu"（法语），它将是语言-具体。

就目前而言，您要求的是全球解决方案，但您是在用当地术语定义问题。您首先需要定义要解决的实际问题。

Answer 2

首先，并不是所有的书面语言都有“元音”。（例如，中文（Zhōngwén）（书面中文）没有，因为它是表意文字而不是语音。再例如，日语大多没有；它主要使用辅音+元音平假名或片假名音节，例如“ga”，改为“wa”、“tsu”。）

一些书面语言（例如，印地语、孟加拉语、希腊语、俄语）确实有元音，但使用的字符不容易映射到 aeiou。对于此类语言，您必须查找（搜索 metacpan？）或制作查找表以指定哪些字母是“元音”。

但是，如果您要处理任何基于拉丁字母 (abcdefghijklmnopqrstuvwxyz) 的书面语言，即使该语言使用大量变音符号（在 Perl 和 Unicode 圈子中称为“组合标记”）（例如，越南语)，您可以轻松地将它们映射到“元音”或“非元音”，是的。方法是“规范化为完全分解形式”，然后去除所有组合标记，然后折叠大小写，然后将每个字母与正则表达式 /[aeiou]/ 进行比较。以下 Perl 脚本将使用基于拉丁字母表的任何语言找到大部分或所有“元音”：

#!/usr/bin/perl -CSDA
# vowel-count.pl
use v5.20;
use Unicode::Normalize 'NFD';
my $vcount;
while (<>)
{
   $_ =~ s/[\r\n]+$//;
   say "\nRaw string: $_";
   my $decomposed = NFD $_;
   my $stripped = ($decomposed =~ s/\pM//gr);
   say "Stripped string: $stripped";
   my $folded = fc $stripped;
   my @base_letters = split //, $stripped;
   $vcount = 0;
   /[aeiou]/ and ++$vcount for @base_letters;
   say "# of vowels: $vcount";
}

Answer 3

抛开元音的定义和不同语言共享符号但使用方式不同的明显问题，有一种方法可以 define your own property 在 Perl 模式中使用。

定义一个以In或Is开头的子程序，并指定其中可以包含的字符。最简单的是一个代码号为一行，或者由水平空格分隔的一系列代码号：

#!perl
use v5.10;
use utf8;
use open qw(:std :utf8);

sub InSpecial {
    return <<"HERE";
00A7
00B6
2295\t229C
HERE
}


$_ = "ABC\x{00A7}";

say $_;
say /\p{InForeign}/ ? 'Matched' : 'Missed';

如何匹配 Unicode 元音字母？

How to match Unicode vowels?

perl

character-class