为什么[A-Za-z0-9 ]*匹配sed中非ASCII字母之间的空格？

Question

我正在尝试标记一个文件中的所有拉丁字母组成，例如：

This is English. 这是中文。 This is more English.

这将被标记为：

\english{This is English.} 这是中文。 \english{This is more English.}

我尝试使用sed来标记这些单词：

sed 's/[A-Za-z0-9 ]*/\\english{&}/g' file

运行后，它基本上是正确的，但是，它也是在所有中文字符之间放置标记，例如：

\english{This is English.} 这\english{}是\english{}中\english{}文\english{}。 \english{This is more English.}

它还标记只是一个空格，但不需要标记的地方，例如：

这是中文。 这也是中文。

这会变成：

这是中文。\english{ }这也是中文。

如何修改此sed脚本，使其不将字符之间的空格标记为\english{}，并且不在文件中放置任何\english{ }？

Answer 1

使用GNU sed的一种方式

LC_ALL="POSIX" sed -r 's/[^\o200-\o377]+/\\english{&}/g' file.txt

结果：

\english{This is English. }这是中文。\english{ This is more English.}

Answer 2

字符之间的标记是由*引起的，它意味着“零或更多”。如果您是指“一个或多个”，请使用\+而不是*。

如果你不想匹配一个空格，你可以使用例如

sed 's/[A-za-z0-9][A-Za-z0-9 ]*/\\english{&}/g'

这意味着必须至少有一个非空格字符。

Answer 3

[A-Za-z0-9 ]*本质上是指匹配任何拉丁字母、阿拉伯数字和空格。

你想要像([A-Za-z][-A-Za-z0-9 ,.!?']*)这样的东西

有一些很好的RegExp实验工具，比如RegexPal