使用正则表达式从字符串中删除所有非拉丁语段落答案

【问题标题】：Remove all non-latin passages from a string with regex使用正则表达式从字符串中删除所有非拉丁语段落
【发布时间】：2021-10-20 22:33:42
【问题描述】：

我需要从字符串中删除所有包含非拉丁字符的段落，但与我看到的许多答案不同，我还想删除这些段落中的标点符号，同时在英文段落中保留相同的标点符号。

换句话说，当遇到诸如“ָהּ”之类的非拉丁字符时，正则表达式将开始跳过包括 ascii 标点在内的所有内容，直到找到 [a-zA-Z] 字符。

我尝试了以下示例，但它错误地删除了“一半”后的引号，让我相信我对非拉丁字符没有很好的定义。

[\u0250-\ue007][^a-zA-Z]*

这是输入文本的示例（更新）：

or perhaps, a - אוֹ דִילְמָא אֵין אִשָּׁה מִתְקַדְּשֶׁת לַחֲצָאִין כְּלָל (12);time
תֵּיקוּ
person cannot be in separate halves at all, even
though both "halves” would come together simultaneously?(13)
The speaker replies:(14)

得到的字符串是：

or perhaps, a - time
person cannot be in separate halves at all, even
though both "halveswould come together simultaneously?(13)
The speaker replies:(14)

如您所见，它在第三行搞砸了。显然，我可以排除那个特定的角色，但我担心它会在其他极端情况下搞砸。

还有其他想法吗？（我正在使用 Javascript 顺便说一句）

【问题讨论】：

标签： javascript node.js regex

【解决方案1】：

我明白，“非拉丁字符，例如 הּ”是指任何非 ASCII 字母。 p>

要匹配 ASCII 字母以外的任何字母，您可以使用 [^\P{L}a-zA-Z]。这是一个否定字符类，它匹配除非字母字符 (\P{L}) 和 ASCII 字母 (a-zA-Z) 以外的任何字符。所以，它基本上是\p{L} 模式，ASCII 字母除外。

这种基于 Unicode 字符类的模式需要 u 标志，由 Node.js JavaScript 环境支持。

解决方案看起来像

text = text.replace(/[^\P{L}a-z][^a-z]*/gui, '')

注意g 标志使replace 替换字符串中的所有匹配项，i 用于缩短 ASCII 字母模式（因为它使模式匹配不区分大小写）。

查看 JavaScript 演示：

const text = `or perhaps, a - אוֹ דִילְמָא אֵין אִשָּׁה מִתְקַדְּשֶׁת לַחֲצָאִין כְּלָל (12);time
תֵּיקוּ
person cannot be in separate halves at all, even
though both "halves” would come together simultaneously?(13)
The speaker replies:(14)`;
console.log(
  text.replace(/[^\P{L}a-z][^a-z]*/gui, '')
)

输出：

or perhaps, a - time
person cannot be in separate halves at all, even
though both "halves” would come together simultaneously?(13)
The speaker replies:(14)

【讨论】：

看起来不错！解决了这个问题