regex - Unicode 和 :alpha:

Question

这是为什么false :

iex(1)> String.match?("汉语漢語", ~r/^[[:alpha:]]+$/)
false

但这是 true ？:

iex(2)> String.match?("汉语漢語", ~r/[[:alpha:]]/)
true

有时 [:alpha:]是unicode，有时不是？
编辑:
我认为我最初的例子不够清楚。
这是为什么 false :

iex(1)> String.match?("汉", ~r/^[[:alpha:]]+$/)
false

但这是 true ？:

iex(2)> String.match?("汉", ~r/[[:alpha:]]/)
true

Answer 1

当您以非 Unicode 模式将字符串传递给正则表达式时，它会被视为字节数组，而不是 Unicode 字符串。见 IO.puts byte_size("汉语漢語") (12，输入包含的所有字节: 230,177,137,232,175,173,230,188,162,232,170,158 )和 IO.puts String.length("汉语漢語") (4、Unicode“字母”)的区别。字符串中有无法与 [:alpha:] 匹配的字节POSIX 字符类。因此，第一个表达式不起作用，而第二个表达式起作用，因为它只需要 1 个字符即可返回有效匹配项。

要将 Unicode 字符串与 PCRE 正则表达式库(Elixir 中使用的)正确匹配，您需要使用 /u 启用 Unicode 模式。修饰符:

IO.puts String.match?("汉语漢語", ~r/^[[:alpha:]]+$/u)

见 IDEONE demo (打印 true)

见 Elixir regex reference :

unicode (u) - enables unicode specific patterns like \p and changes modifiers like \w, \W, \s and friends to also match on unicode. It expects valid unicode strings to be given on match.