Regulärer Ausdruck, um Wörter mit akzentuierten Zeichen aus dem Lateinischen zu trennen

Question

Ich arbeite an einem HTML-Tool, um alte lateinische Sprache zu studieren. Es ist eine Übung, bei den Schüler auf einig Wort klicken haben, , in dem es ein div mit einem Stück lateinisch:

<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>  

In meinem Javascript wickeln wir alle einzelnen Worte in ein <span> mit einem regulären Ausdruck, und ich wende einige Aktionen an.

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()); 
    } 

Das Problem ist, dass die Worte, die ĭ, ŏ, ā enthalten, sind nicht richtig eingewickelt, sondern sind entsprechend diesen Zeichen aufgeteilt.

Wie kann ich diese Klasse von Wörtern richtig zuordnen?

JS Fiddle

Answer 1

Sie Ihren Text durch den Teiler geteilt werden. Im allgemeinen Fall kann es Raum oder andere Satzzeichen sein:

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

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

bearbeiten

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

Das ist \w Meta-Zeichen verwendet, um ein Wortzeichen zu finden, von a-z, A-Z, 0-9, einschließlich der _ (Unterstrich) Zeichen. Sie müssen also Ihre Regex ändern, um den Bereich der Unicode-Symbole anstelle von \w zu verwenden.

Sie können auch \p{L} anstelle von \w versuchen, um jedes Unicode-Zeichen zu finden.

Siehe auch: http://www.regular-expressions.info/unicode.html