Символьный класс: [...], [^...]

Символьный класс соответствует любому символу из заданного или не из заданного пользовательского набора символов. Когда включен флаг v, его также можно использовать для сопоставления строк конечной длины.

Синтаксис

[]
[abc]
[A-Z]

[^]
[^abc]
[^A-Z]

// `v` mode only
[operand1&&operand2]
[operand1--operand2]
[\q{substring}]

Параметры

operand1, operand2

Может быть одиночным символом, другим символьным классом, заключенным в квадратные скобки, экранированием символьного класса, экранированием Unicode-символьного класса или строкой, использующей синтаксис \q.

substring

Литеральная строка.

Описание

Символьный класс определяет список символов между квадратными скобками и соответствует любому символу из этого списка. Флаг v кардинально меняет способ разбора и интерпретации символьных классов. Следующие синтаксисы доступны как в режиме v, так и в режиме, отличном от v:

• Одиночный символ: соответствует самому символу.
• Диапазон символов: соответствует любому символу в инклюзивном диапазоне. Диапазон задается двумя символами, разделенными тире (-). Первый символ должен иметь меньшее значение, чем второй. Значение символа — это его кодовая точка Unicode. Поскольку кодовые точки Unicode обычно присваиваются алфавитам по порядку, [a-z] определяет все строчные латинские символы, а [α-ω] — все строчные греческие символы. В режиме, не учитывающем Unicode, регулярные выражения интерпретируются как последовательность BMP символов. Поэтому пары суррогатов в символьных классах представляют два символа вместо одного; подробности см. ниже.
• Последовательности экранирования: \b, \-, экранирование символьных классов, экранирование Unicode-символьных классов и другие экранирования символов.

Эти синтаксисы могут встречаться любое количество раз, и представляемые ими наборы символов объединяются. Например, /[a-zA-Z0-9]/ соответствует любой букве или цифре.

Префикс ^ в символьном классе создает дополнительный класс. Например, [^abc] соответствует любому символу, кроме a, b или c. Символ ^ является литеральным символом, когда он появляется в середине символьного класса — например, [a^b] соответствует символам a, ^ и b.

Лексическая грамматика выполняет очень грубый разбор литералов регулярных выражений, поэтому она не завершает литерал регулярного выражения на символе /, который появляется внутри символьного класса. Это означает, что /[/]/ является допустимым без необходимости экранирования /.

Границы диапазона символов не должны указывать более одного символа, что происходит при использовании экранирования символьного класса. Например:

/[\s-9]/u; // SyntaxError: Invalid regular expression: Invalid character class

В режиме, не учитывающем Unicode, диапазоны символов, где одна из границ — это символьный класс, делают - литеральным символом. Это устаревший синтаксис для совместимости с веб-браузерами, и на него не следует полагаться.

/[\s-9]/.test("-"); // true

В режиме, не учитывающем Unicode, регулярные выражения интерпретируются как последовательность BMP-символов. Следовательно, пары суррогатов в символьных классах представляют два символа вместо одного.

/[😄]/.test("\ud83d"); // true
/[😄]/u.test("\ud83d"); // false

/[😄-😛]/.test("😑"); // SyntaxError: Invalid regular expression: /[😄-😛]/: Range out of order in character class
/[😄-😛]/u.test("😑"); // true

Даже если шаблон игнорирует регистр, регистр двух концов диапазона имеет значение при определении того, какие символы принадлежат диапазону. Например, шаблон /[E-F]/i соответствует только E, F, e и f, в то время как шаблон /[E-f]/i соответствует всем строчным и прописным латинским буквам ASCII (поскольку он охватывает E–Z и a–f), а также [, \, ], ^, _ и `.

Символьный класс в режиме без флага 'v'

Символьные классы в режиме, отличном от v, интерпретируют большинство символов буквально и имеют меньше ограничений относительно символов, которые они могут содержать. Например, . — это литеральный символ точки, а не шаблон. Единственными символами, которые не могут быть представлены буквально, являются \, ] и -.

• В символьных классах поддерживается большинство последовательностей экранирования, за исключением \b, \B и обратных ссылок. \b обозначает символ возврата на строку вместо границы слова, в то время как остальные два вызывают ошибки синтаксиса. Чтобы использовать \ буквально, экранируйте его как \\.
• Символ ] обозначает конец символьного класса. Чтобы использовать его буквально, экранируйте его как \].
• Символ тире (-), используемый между двумя символами, обозначает диапазон. Когда он появляется в начале или конце символьного класса, он является литеральным символом. Он также является литеральным символом, когда используется в границах диапазона. Например, [a-] соответствует символам a и -, [!--] соответствует символам от ! до -, а [--9] соответствует символам от - до 9. Вы также можете экранировать его как \-, если хотите использовать его буквально где угодно.

Символьный класс в режиме 'v'

Основная идея символьных классов в режиме v остается прежней: вы по-прежнему можете использовать большинство символов буквально, использовать - для обозначения диапазонов символов и использовать последовательности экранирования. Одной из наиболее важных особенностей флага v является нотация множеств внутри символьных классов. Как упоминалось ранее, обычные символьные классы могут выражать объединения, объединяя два диапазона, например, используя [A-Z0-9] для обозначения "объединения множества [A-Z] и множества [0-9]". Однако нет простого способа представить другие операции с наборами символов, такие как пересечение и разность.

С флагом v пересечение выражается с помощью &&, а вычитание — с помощью --. Отсутствие обоих подразумевает объединение. Два операнда && или -- могут быть символом, экранированием символа, экранированием символьного класса или даже другим символьным классом. Например, чтобы выразить "словесный символ, который не является подчеркиванием", вы можете использовать [\w--_]. Вы не можете смешивать операторы на одном уровне. Например, [\w&&[A-z]--_] — это ошибка синтаксиса. Однако, поскольку вы можете вкладывать символьные классы, вы можете быть явными, написав [\w&&[[A-z]--_]] или [[\w&&[A-z]]--_] (которые оба означают [A-Za-z]). Аналогично, [AB--C] недопустимо, и вам нужно написать [A[B--C]] (что просто означает [AB]).

В режиме v экранирование Unicode-символьного класса \p может соответствовать строкам конечной длины, таким как эмодзи. Для симметрии, обычные символьные классы также могут соответствовать более чем одному символу. Чтобы записать "литеральную строку" в символьном классе, заключите строку в \q{...}. Единственный поддерживаемый здесь синтаксис регулярных выражений — это дизъюнкция — помимо этого, \q должны полностью заключать литералы (включая экранированные символы). Это гарантирует, что символьные классы могут соответствовать только строкам конечной длины с конечным числом возможностей.

В отличие от обычной дизъюнкции, порядок альтернатив внутри \q не имеет значения, как и порядок \q экранирования с остальными операндами, которые объединяются. Во время сопоставления все альтернативы, указанные в символьном классе, всегда пробуются в порядке убывания длины, поэтому сопоставление является жадным. Например, [\q{a|ab}], [\q{ab|a}], [\q{ab}a] и [a\q{ab}], примененные к "ab", все будут соответствовать "ab".

Дополнительные символьные классы [^...] не могут соответствовать строкам длиннее одного символа. Например, [\q{ab|c}] допустимо и соответствует строке "ab", но [^\q{ab|c}] недопустимо, поскольку неясно, сколько символов должно быть потреблено. Проверка выполняется путем проверки того, что все \q содержат одиночные символы, а все \p определяют свойства символов — для объединений все операнды должны быть чисто символьными; для пересечений хотя бы один операнд должен быть чисто символьным; для вычитания левый операнд должен быть чисто символьным. Проверка синтаксическая, без учета фактически указываемого набора символов, что означает, что хотя /[^\q{ab|c}--\q{ab}]/v эквивалентно /[^c]/v, оно все равно отклоняется.

Поскольку синтаксис символьных классов теперь более сложен, больше символов зарезервировано и запрещено для использования в качестве литералов.

• В дополнение к ] и \, следующие символы должны быть экранированы в символьных классах, если они представляют собой литеральные символы: (, ), [, {, }, /, -, |. Этот список несколько похож на список синтаксических символов, за исключением того, что ^, $, *, + и ? не зарезервированы внутри символьных классов, в то время как / и - не зарезервированы вне символьных классов (хотя / может разделять литерал регулярного выражения и поэтому по-прежнему требует экранирования). Все эти символы также могут быть опционально экранированы в символьных классах режима u.
• Следующие последовательности "двойных пунктуаторов" также должны быть экранированы (но они вряд ли будут иметь смысл без флага v): &&, !!, ##, $$, %%, **, ++, ,,, .., ::, ;;, <<, ==, >>, ??, @@, ^^, ` `` , ~~. In u mode, some of these characters can only appear literally within character classes and cause a syntax error when escaped. In v mode, they must be escaped when appearing in pairs, but can be optionally escaped when appearing alone. For example, /[!]/u is invalid because it's an [identity escape](/en-US/docs/Web/JavaScript/Reference/Regular_expressions/Character_escape), but both /[!]/v and /[!]/v are valid, while /[!!]/v` недопустимо. Ссылка на литеральный символ содержит подробную таблицу того, какие символы могут быть представлены экранированными или неэкранированными.

Дополнительные классы и сопоставление без учета регистра

Сопоставление без учета регистра работает путем приведения к нижнему регистру как ожидаемого набора символов, так и сопоставляемой строки. При определении дополнительных классов важен порядок, в котором JavaScript выполняет приведение к нижнему регистру и инвертирование. Вкратце, [^...] в режиме u соответствует allCharacters - caseFold(original), в то время как в режиме v соответствует caseFold(allCharacters) - caseFold(original). Это гарантирует, что все синтаксисы дополнительных классов, включая [^...], \P, \W и т.д., взаимно уничтожаются.

Рассмотрим следующие два регулярных выражения (для упрощения предположим, что символы Unicode бывают трех видов: строчные, прописные и без регистра, и каждая прописная буква имеет уникальный строчный аналог, и наоборот):

const r1 = /\p{Lowercase_Letter}/iu;
const r2 = /[^\P{Lowercase_Letter}]/iu;

r2 — это двойное отрицание, и кажется, что оно эквивалентно r1. Но на самом деле r1 соответствует всем строчным и прописным ASCII-буквам, в то время как r2 не соответствует ни одной. Вот пошаговое объяснение:

• В r1, \p{Lowercase_Letter} создает набор всех строчных символов. Символы в этом наборе затем приводятся к нижнему регистру, поэтому они остаются прежними. Входная строка также приводится к нижнему регистру. Следовательно, "A" и "a" оба приводятся к "a" и соответствуют r1.
• В r2, \P{Lowercase_Letter} сначала создает набор всех непрописных символов, то есть прописных букв и символов без регистра. Символы в этом наборе затем приводятся к нижнему регистру, поэтому набор символов становится всеми строчными буквами и символами без регистра. [^...] инвертирует совпадение, заставляя его соответствовать любому, что не находится в этом наборе, то есть прописной букве. Однако ввод все равно приводится к нижнему регистру, поэтому "A" приводится к "a" и не соответствует r2.

Основное наблюдение здесь заключается в том, что после того, как [^...] инвертирует совпадение, ожидаемый набор символов может не быть подмножеством набора приводимых к нижнему регистру символов Unicode, что приводит к тому, что вход, приведенный к нижнему регистру, не попадает в ожидаемый набор символов. В режиме v набор всех символов также приводится к нижнему регистру. Сам символьный класс \P также работает немного иначе в режиме v (см. экранирование Unicode-символьного класса). Все это гарантирует, что [^\P{Lowercase_Letter}] и \p{Lowercase_Letter} строго эквивалентны.

Примеры

Сопоставление шестнадцатеричных цифр

Следующая функция определяет, содержит ли строка допустимое шестнадцатеричное число:

function isHexadecimal(str) {
  return /^[0-9A-F]+$/i.test(str);
}

isHexadecimal("2F3"); // true
isHexadecimal("beef"); // true
isHexadecimal("undefined"); // false

Использование пересечения

Следующая функция сопоставляет греческие буквы.

function greekLetters(str) {
  return str.match(/[\p{Script_Extensions=Greek}&&\p{Letter}]/gv);
}

// 𐆊 is U+1018A GREEK ZERO SIGN
greekLetters("π𐆊P0零αAΣ"); // [ 'π', 'α', 'Σ' ]

Использование вычитания

Следующая функция соответствует всем не-ASCII-цифрам.

function nonASCIINumbers(str) {
  return str.match(/[\p{Decimal_Number}--\d]/gv);
}

// 𑜹 is U+11739 AHOM DIGIT NINE
nonASCIINumbers("𐆊0零1𝟜𑜹a"); // [ '𝟜', '𑜹' ]

Сопоставление строк

Следующая функция соответствует всем последовательностям разрыва строки, включая символы разрыва строки и последовательность \r\n (CRLF). Порядок, в котором указаны альтернативы, не имеет значения, поскольку самая длинная альтернатива, \r\n, всегда имеет приоритет.

function getLineTerminatorSequences(str) {
  return str.match(/[\r\n\u2028\u2029\q{\r\n}]/gv);
}

getLineTerminatorSequences(`
A poem\r
Is split\rInto many
Stanzas
`); // ['\n', '\r\n', '\r', '\n', '\n']

Это регулярное выражение в точности эквивалентно /(?:\r\n|\r|\n|\u2028|\u2029)/gu или /(?:\r\n|[\r\n\u2028\u2029])/gu. Однако в обычной дизъюнкции порядок альтернатив имеет значение, поэтому \r\n должен быть указан первым, чтобы он имел приоритет. Использование символьного класса не только короче, но и позволяет избежать этой ловушки.

Наиболее полезный случай \q{} — при выполнении вычитания и пересечения. Ранее это было возможно с помощью нескольких просмотров вперед. Следующая функция сопоставляет флаги, которые не являются флагами США, Китая, России, Великобритании и Франции.

function notUNSCPermanentMember(flag) {
  return /^[\p{RGI_Emoji_Flag_Sequence}--\q{🇺🇸|🇨🇳|🇷🇺|🇬🇧|🇫🇷}]$/v.test(flag);
}

notUNSCPermanentMember("🇺🇸"); // false
notUNSCPermanentMember("🇩🇪"); // true

Этот пример в основном эквивалентен /^(?!🇺🇸|🇨🇳|🇷🇺|🇬🇧|🇫🇷)\p{RGI_Emoji_Flag_Sequence}$/v, за исключением, возможно, лучшей производительности.

Спецификации

Совместимость с браузерами

См. также

• Руководство по символьным классам
• Регулярные выражения
• Экранирование символьного класса: \d, \D, \w, \W, \s, \S
• Экранирование Unicode-символьного класса: \p{...}, \P{...}
• Литеральный символ: a, b
• Экранирование символа: \n, \u{...}
• Дизъюнкция: |
• Флаг v для RegExp с нотацией множеств и свойствами строк на v8.dev (2022)