正则表达式不适用于土耳其语字符

Question

我编写了一个应该提取以下模式的正则表达式；

• “çççoookkk gggüüüzzzeeelll”（意思是 vvveeerrryyy gggoooddd，带有土耳其语字符“ç”和“ü”）
• “ccccoookkk ggguuuzzzeeelll”（意思相同，但带有英文字符“c”和“u”）

这是我正在尝试的正则表达式；

• "\b[çc]+o+k+\sg+[üu]+z+e+l+\b" ：这适用于英语，但不适用于土耳其语
• "çok"：找到“çok”，但是当我尝试"ç+o+k+" 不适用于“çççoookkk”时，它会找到“çoookkk”
• "güzel"：找到“güzel”，但是当我尝试时"g+ü+z+e+l+" 不适用于“gggüüüzzzeeelll”
• "\b(c+o+k+)|(ç+o+k+)\s(g+u+z+e+l)|(g+ü+z+e+l+)\b": 不能正常工作
• "[çc]ok\sg[uü]zel"：我也试过这个来获得“çok güzel”模式，但也不起作用。

我认为问题可能是使用带有土耳其字符的正则表达式运算符。我不知道我该如何解决这个问题。

我正在使用http://www.myregextester.com 来检查我的正则表达式是否正确。

我正在使用 Php 编程语言通过 Twitter Rest Api 从搜索到的推文中获取特定模式。

谢谢，

Answer 1

您尚未指定您使用的编程语言，但在其中许多语言中，\b 字符类只能与纯 ASCII 编码一起使用。

在内部，\b 被处理为\w 和\W 集之间的边界。
反过来，\w 等于 [a-zA-Z0-9_]。

如果您没有使用任何花哨的空格标记（您不应该），那么请考虑使用常规的空白字符类 (\s)。

查看this table（向下滚动到字边界部分）以检查您的语言是否支持\b 的Unicode。如果它说，"ascii"，那么它没有。

附带说明一下，根据您的编程语言，您可以考虑使用直接的 Unicode 代码点而不是国家字符。

还有：utf-8 word boundary regex in javascript

进一步阅读：

• An excellent article about using Unicode characters in regular expressions
• An article for word boundaries
• List of Turkish Unicode code points