正则表达式——Unicode 属性

  每一个 Unicode 字符，除了有 Code Point 与之对应外，还具体其他属性，在正则表达式中常用到三种 Unicode 属性： Unicode Property、Unicode Script，分别对应字符符的功能、所属代码区段、书写系统；它们的表现形式都类似\p{property}。

7.6.1 Unicode Property

  Unicode Property 的记法类似\p{L}、\p{P}。它按照字符的功能分类 Unicode 字符，每个 Unicode 字符只能属于一个Unicode Property。

  可以这样理解 Unicode Property：它并不关心字符所属的语言，只关心字符的功能，比如\p{Z}表示任意的空白字符或不可见的分隔符；\p{P}表示任意标点字符，等等。遇到中英文混排、全角、半角字符同时出现的情况，看可以用\p{Z}匹配所有的空白字符（而不用关心空格到底是全角空格还是半角空格），用\p{P}匹配所有的标点字符（而不用关心逗号到底是中文逗号还是英文逗号）。

  如果把 Unicode Property 理解为一个“字符组”，name一定还有对应的排除型字符组，此排除型字符组的通行记法是将\p{property}中的小写改为大写P，写作\P{property}。这样，Script 对应的排除型字符组也是这样标记。

  支持 Unicode Propery 的语言有.NET、Java、PHP和Ruby（限1.9以上版本），在PHP和Ruby中使用 Unicode Property 时，必须要开启 Unicode 模式。

.NET
Regex.IsMatch("，", "\\p{P}");      // => True

Java
"，".matches("\\p{P}");             // => True

PHP
preg_match("/\\p{P}/u", "，");      // => 1

Ruby 1.9
/\p{P}/n =~ "，"                    # => 0

7.6.2 Unicode block

  不同于 Unicoe Property，它按照编码区间划分 Unicode 字符，各个区间彼此联系但互不相交，所以每个 Unicode 编码中的每个字符都有唯一归属的 Unicode Block。

  在 Unicode 编码表中，同一种语言的字符通常落在同一区间的，所以 Unicode Block 也可以粗略表示某类语言的字符，比如\p{InHebrew}表示希伯莱语字符，\p{InCJK_Unified_Ideographs}表示兼容 CJK（中文、日文、韩文）统一表意字符。如果细心阅读文档，会发现 Unicode Block 的名字虽然类似某种语言的名字，但都有 In（Java风格）或者 Is（.NET风格）前缀，所以它对应的还是“落在某个区间的 Unicode 字符”。

  在本书介绍的语言中，只有 Java 和 .NET 支持 Unicode Block，但是记法不相同，下面以 CJK 统一表意字符为例，虽然记法不同，但功能呢是相同的，都可以匹配任意一个中文字符。

Java
"我".matches("\\p{InCJK_Unified_Ideographs}");             // => True

.NET
Regex.IsMatch("我", "\\p{InCJKUnifiedIdeographs}");        // => True

  另外值得一用的是\p{InCJK_Symbols_and_Punctuation}，从命名上来看，它覆盖了中文、日文、韩文中的大部分常见标点，但事实并非如此，比如全角逗号，就不在这个 Block 中。不过，所有标点都在\p{P}这个 Unicode Property 中。

  全角逗号不属于\p{InCJK_Symbols_and_Punctuation}

"。".matches("\\p{InCJK_Symbols_and_Punctuation}"); // => True
"，".matches("\\p{InCJK_Symbols_and_Punctuation}"); // => False
"。".matches("\\p{P}");                             // => True
"，".matches("\\p{P}");                             // => True

7.6.3 Unicode Script

  Unicode Script 按照字符所属的书写系统来划分 Unicode 字符，比如\p{Greek}表示希腊语字符，\p{Han}表示汉语（中文字符）。它的写法类似 Unicode Block，只是名字的开头没有 Is 或者 In。

  在本书介绍的语言中，只有 PHP 和 Ruby（限1.9以上版本）支持 Unicode Script，PHP在使用 Unicode Script 时，必须开启 Unicode 模式。在这两种语言中，我们可以很方便地用\p{Han}来匹配中文字符。

PHP
preg_match("\\p{Han}/u", "我");     // => 1
Ruby 1.9
/\p{Han}/u =~ "我"                  # => 0