Regex Wortgrenze \ b hat Probleme mit Umlauten (Sonderzeichen in deutscher Sprache)

Question

Mögliche Duplizieren:
Javascript RegExp + Word boundaries + unicode characters

In ECMA Script regex (hier als Referenz getestet: http://regexpal.com/) bekomme ich Fehlalarme mit Wortgrenzen (unter Verwendung von \b) und Umlauten. Zum Beispiel

regex \bPflanzen\b

sollte nicht "Pflanzenöl" entsprechen, aber es tut. Wenn ich den ö zu einem oe ändere, funktioniert alles. Regex scheint Umlaute nicht als Teil von Wörtern zu betrachten, obwohl sie in vielen Sprachen sind.

Was ist die beste Problemumgehung?

Answer 1

Regex-Engines haben unterschiedliche Ideen, wie die Stenogramm-Klassen funktionieren. \b ist eng an \w gebunden, was in fast allen Regex-Aufgaben nahezu nutzlos ist, aber leider für viele Fälle "gut genug" ist, um seinen Fortbestand zu rechtfertigen.

In diesem Fall JavaScript berücksichtigt nur ASCII [a-zA-Z0-9_] für \w und seit \b entspricht einer Position zwischen einem Charakter von \w und etwas, das nicht Sie das beobachtete Verhalten bekommen.

Die übliche Abhilfe ist Lookarounds statt \b zu verwenden:

(?<![a-zA-ZäöüßÄÖÜ])Pflanzen((?![a-zA-ZäöüßÄÖÜ])) 

jedoch auch JavaScript nicht unterstützt Lookbehind, also müssen wir etwas anderes tun:

(^|[^a-zA-ZäöüßÄÖÜ])Pflanzen(?![a-zA-ZäöüßÄÖÜ]) 

Welche passen würde entweder der Anfang der Zeichenfolge oder ein Zeichen, das nicht von dieser Klasse stammt. Auf jeden Fall ist es unordentlich. Es ist an der Zeit, dass JavaScript die richtige Regex-Unterstützung einschließlich Unicode und Lookaround erhält.