Perl正则表达式从任意集中查找字符

Question

我有一个包含韩文和中文的文件。我想找一些使用括号语句表示韩语单词朝鲜语的对，比如:한문(漢文)

搜索应该是这样的：/[korean characters] \([chinese characters]\)/

如何指定中文或韩文字符，或任何其他集，例如西里尔文或泰文？

Answer 1

Unicode提供标识脚本字符所属的属性。可以使用\p{Script=...}根据脚本属性匹配字符。

我对你提到的语言不是很了解，但我认为你需要

• \p{Script=Han}又名用于Chinese.
• \p{Script=Hangul}的\p{Han}又名用于Korean.
• \p{Script=Cyrillic}的\p{Hangul}又名用于Cyrillic.
• \p{Script=Thai}的\p{Cyrl}又名用于泰国的\p{Thai}。

您可以查看perluniprops来查找您正在查找的属性，或者可以使用uniprops*来查找与特定字符匹配的属性。

$ uniprops D55C
U+D55C ‹한› \N{HANGUL SYLLABLE HAN}
    \w \pL \p{L_} \p{Lo}
    All Any Alnum Alpha Alphabetic Assigned InHangulSyllables L Lo
    Gr_Base Grapheme_Base Graph GrBase Hang Hangul Hangul_Syllables
    ID_Continue IDC ID_Start IDS Letter L_ Other_Letter Print Word
    XID_Continue XIDC XID_Start XIDS X_POSIX_Alnum X_POSIX_Alpha
    X_POSIX_Graph X_POSIX_Print X_POSIX_Word

要找出给定属性中有哪些字符，可以使用unichars*。(这是有限的用处，因为大多数CJK字符都没有命名。)

$ unichars -au '\p{Han}'
 ⺀ U+2E80 CJK RADICAL REPEAT
 ⺁ U+2E81 CJK RADICAL CLIFF
 ⺂ U+2E82 CJK RADICAL SECOND ONE
 ⺃ U+2E83 CJK RADICAL SECOND TWO
 ⺄ U+2E84 CJK RADICAL SECOND THREE
...

$ unichars -au '\p{Hangul}'
 ᄀ U+01100 HANGUL CHOSEONG KIYEOK
 ᄁ U+01101 HANGUL CHOSEONG SSANGKIYEOK
 ᄂ U+01102 HANGUL CHOSEONG NIEUN
 ᄃ U+01103 HANGUL CHOSEONG TIKEUT
 ᄄ U+01104 HANGUL CHOSEONG SSANGTIKEUT
...

*- uniprops和unichars可从Unicode::Tussle发行版获得。