正则表达式不匹配单词中的 utf8 字符 (\w+) [重复]

【问题标题】：Regexp does not match utf8 characters in words (\w+) [duplicate]正则表达式不匹配单词中的 utf8 字符 (\w+) [重复]
【发布时间】：2013-11-28 15:00:07
【问题描述】：

为什么下面的代码返回nil：

'The name of the city is: Ørbæk'.match(/:\s\w+/)
#=> nil

当我期望它返回 "Ørbæk"

我尝试在文档开头设置#encoding=utf-8，但它没有任何改变。

PS。 Ø 和 Æ 是丹麦字母

【问题讨论】：

【解决方案1】：

元字符\w等价于字符类[a-zA-Z0-9_]；仅匹配字母、数字和_。

改为使用字符属性\p{Word}：

'The name of the city is: Ørbæk'.match(/:\s\p{Word}+/)
# => #<MatchData ": Ørbæk">

/\p{Word}/ - 以下 Unicode 通用类别之一的成员 Letter、Mark、Number、Connector_Punctuation

【讨论】：

【解决方案2】：

您可以使用 \p{Word} 代替：

irb(main):001:0> 'The name of the city is: Ørbæk'.match(/:\s\p{Word}+/)
=> #<MatchData ": Ørbæk">

【讨论】：

【解决方案3】：

如果您要匹配的单词仅包含字母字符，则使用\p{L}：

match(/:\s\p{L}+/)

【讨论】：