正则表达式匹配阿拉伯语关键字

Question

我有一个简单的正则表达式，可以在文本中找到一些词：

var patern = new RegExp("\bsomething\b", "gi");

此匹配文本中带有空格或标点符号的单词。

因此匹配：

I have something.

但不匹配：

I havesomething.

什么是好的，正是我需要的。

但我对阿拉伯语等语言有疑问。如果我有正则表达式：

var patern = new RegExp("\bرياضة\b", "gi");

和文字：

رياضة أنا أحب رياضتي وأنا سعيد حقا هنا لها حبي

我要找的关键词在文末

但这不管用，就是找不到。

如果我从正则表达式中删除 \b，它会起作用：

var patern = new RegExp("رياضة", "gi");

但这就是我现在想要的，因为如果它是另一个词的一部分，我不想找到它，就像上面的英语示例：

 I havesomething.

所以我对正则表达式的了解真的很少，如果有人可以帮助我用英语和阿拉伯语等语言来解决这个问题。

Answer 1

这不起作用，因为正则表达式引擎不支持阿拉伯语。您可以在文本中搜索 unicode 字符 (Unicode ranges).

或者您可以使用 encoding 将文本转换为 unicode，然后以某种方式制作正则表达式（我从未尝试过，但它应该可以工作）。

Answer 2

我们首先要明白\b是什么意思：

\b is an anchor that matches at a position that is called a "word boundary".

在您的情况下，您要查找的单词边界没有其他阿拉伯字母。

为了仅匹配正则表达式中的阿拉伯字母，我们使用 unicode：

[\u0621-\u064A]+

或者我们可以直接使用阿拉伯字母

[ء-ي]+

上面的代码将匹配任何阿拉伯字母。要从中创建单词边界，我们可以简单地在两侧反转它：

[^ء-ي]ARABIC TEXT[^ء-ي]

上面的代码意味着：不要匹配适合您的情况的阿拉伯语单词两侧的任何阿拉伯语字符。

考虑一下你给我们的这个例子，我稍微修改了一下：

 أنا أحب رياضتي رياض رياضة رياضيات وأنا سعيد حقا هنا

如果我们只想匹配 رياض，这个词将使我们的搜索也匹配 رياضة、رياضيات 和 رياضتي。但是，如果我们添加上面的代码，匹配将仅在 رياض 上成功。

var x = " أنا أحب رياضتي رياض رياضة رياضيات وأنا سعيد حقا هنا ";
x = x.replace(/([^ء-ي]رياض[^ء-ي])/g, '<span style="color:red"></span>');
document.write (x);

如果您想用一个代码来解释 أآإا，您可以使用类似这样的代码 [\u0622\u0623\u0625\u0627] 或简单地将它们全部列在方括号 [أآإا] 中。这是完整的代码

var x = "أنا هنا وانا هناك .. آنا هنا وإنا هناك";
x = x.replace(/([أآإا]نا)/g, '<span style="color:red"></span>');
document.write (x);

注意：如果要匹配正则表达式中所有可能的阿拉伯字符，包括所有阿拉伯字母أ ب ت ث ج、所有变音符号َ ً ُ ٌ ِ ٍ ّ和所有阿拉伯数字١٢٣٤٥٦٧٨٩٠，使用这个正则表达式：[،-٩]+

有用link关于阿拉伯字符在Unicode中的排名：https://en.wikipedia.org/wiki/Arabic_script_in_Unicode

Answer 3

如果您不需要复杂的正则表达式（例如，因为您正在寻找一个特定的单词或一个简短的单词列表），那么我发现将搜索文本标记化实际上更容易，并且那样找到它：

    >>> text = 'رياضة أنا أحب رياضتي وأنا سعيد حقا هنا لها حبي '
    >>> tokens = text.split()
    >>> print(tokens)
    ['رياضة', 'أنا', 'أحب', 'رياضتي', 'وأنا', 'سعيد', 'حقا', 'هنا', 'لها', 'حبي']
    >>> search_words = ['رياضة', 'رياضت']    
    >>> found = [w for w in tokens if w in search_words]                                  
    >>> print(found) 
    ['رياضة']  # returns only full-word match

我确定这比 RegEx 慢，但还不够我注意到。

如果您的文本有标点符号，您可以使用 NLTK 进行更复杂的标记化（因此它会找到像“бياض₩؟”这样的东西）。

Answer 4

我用过这个ء-ي٠-٩，它对我有用

正则表达式匹配阿拉伯语关键字

Regex match Arabic keyword

javascript

regex

arabic

arabic-support