regex - Perl正则表达式从任意集合中查找字符

Question

我有一个包含韩文和中文字符的文件。我想找到使用括号语句来给出韩语单词汉字的对，如下所示:한문 (汉文)

搜索看起来像这样:/[韩文字符]\([中文字符]\)/

如何指定中文或韩文字符，或任何其他字符集(例如西里尔文或泰文)？

Answer 1

Unicode 提供了识别脚本字符所属的属性。可以使用 \p{Script=...} 根据字符的脚本属性来匹配字符。

我对你提到的语言不太了解，但我想你想要

• \p{Script=Han} 又名 \p{Han} 表示中文。
• \p{Script=Hangul} 又名 \p{Hangul} 韩语。
• \p{Script=西里尔文} 又名 \p{Cyrl} 西里尔文。
• \p{Script=Thai} 又名 \p{Thai} 泰语。

你可以看看perluniprops查找您要查找的属性，或者您可以使用 uniprops* 查找哪些属性与特定字符匹配。

$ uniprops D55C
U+D55C ‹한› \N{HANGUL SYLLABLE HAN}
    \w \pL \p{L_} \p{Lo}
    All Any Alnum Alpha Alphabetic Assigned InHangulSyllables L Lo
    Gr_Base Grapheme_Base Graph GrBase Hang Hangul Hangul_Syllables
    ID_Continue IDC ID_Start IDS Letter L_ Other_Letter Print Word
    XID_Continue XIDC XID_Start XIDS X_POSIX_Alnum X_POSIX_Alpha
    X_POSIX_Graph X_POSIX_Print X_POSIX_Word

要找出给定属性中包含哪些字符，您可以使用 unichars*。 (这的用处有限，因为大多数 CJK 字符都没有命名。)

$ unichars -au '\p{Han}'
 ⺀ U+2E80 CJK RADICAL REPEAT
 ⺁ U+2E81 CJK RADICAL CLIFF
 ⺂ U+2E82 CJK RADICAL SECOND ONE
 ⺃ U+2E83 CJK RADICAL SECOND TWO
 ⺄ U+2E84 CJK RADICAL SECOND THREE
...

$ unichars -au '\p{Hangul}'
 ᄀ U+01100 HANGUL CHOSEONG KIYEOK
 ᄁ U+01101 HANGUL CHOSEONG SSANGKIYEOK
 ᄂ U+01102 HANGUL CHOSEONG NIEUN
 ᄃ U+01103 HANGUL CHOSEONG TIKEUT
 ᄄ U+01104 HANGUL CHOSEONG SSANGTIKEUT
...

* — uniprops 和 unichars 可从 Unicode::Tussle 获取。发行版。