正则表达式从拉丁语中分割带有重音字符的单词

Question

我正在开发一个 html 工具来研究古代拉丁语。 有一个练习，学生必须点击某个单词， 其中有一个带有拉丁语的div：

<div class="clickable">
                   Cum a Romanis copiis vincĭtur măr, Gallia terra fera est. 
Regionis incŏlae terram non colunt, autem sagittis feras necant et postea eas vorant. 
Etiam a_femĭnis vita agrestis agĭtur, 
miseras vestes induunt et cum familiā in parvis casis vivunt. 
Vita secūra nimiaeque divitiae a Gallis contemnuntur. 
Gallorum civitates acrĭter pugnant et ab inimicis copiis timentur. 
Galli densis silvis defenduntur, tamen Roma feram Galliam capit. 
</div>    

在我的 javascript 中，我使用正则表达式将所有单个单词包装成 <span>，然后应用一些操作。

 var words = $('div.clickable');        
    words.html(function(index, oldHtml) {
        var myText = oldHtml.replace(/\b(\w+?)\b/g, '<span class="word">$1</span>')

        return myText;
    }).click(function(event) { 
        if(!$(event.target).hasClass("word"))return; 
        alert($(event.target).text());
    }

问题是包含ĭ, ŏ, ā的单词没有正确换行，而是按照这些字符的对应进行划分。

如何正确匹配这类单词？

JS Fiddle

Answer 1

您可以通过分隔符拆分文本。通常情况下可能是空格或不同的标点符号：

(.+?)([\s,.!?;:)([\]]+)

https://regex101.com/r/xW4pF1/5

编辑

var words = $('div.clickable');        
words.html(function(index, oldHtml) {
    var myText = oldHtml.replace(/(.+?)([\s,.!?;:)([\]]+)/g, '<span class="word">$1</span>$2')

    return myText;
}).click(function(event) { 
    if(!$(event.target).hasClass("word"))return; 
    alert($(event.target).text());
}

https://jsfiddle.net/s568c0pp/3/

Answer 2

\w 元字符用于从a-z、A-Z、0-9 中查找单词字符，包括_（下划线）字符。 因此，您需要更改正则表达式以使用 Unicode 符号范围而不是 \w。

您也可以尝试用\p{L} 代替\w 来匹配任何Unicode 字符。

另请参阅：http://www.regular-expressions.info/unicode.html