Unicode: "u" bayrog'i va \p{...} sinfi

JavaScript satrlar uchun Unicode kodlashdan foydalanadi. Ko’pgina belgilar 2 bayt bilan kodlanadi, lekin bu ko’pi bilan 65536 belgini ifodalash imkonini beradi.

Bu diapazon barcha mumkin bo’lgan belgilarni kodlash uchun etarli emas, shuning uchun ba’zi kam uchraydigan belgilar 4 bayt bilan kodlanadi, masalan 𝒳 (matematik X) yoki 😄 (tabassum), ba’zi ierogliflar va hokazo.

Mana ba’zi belgilarning Unicode qiymatlari:

Shunday qilib, a va ≈ kabi belgilar 2 baytni egallaydi, 𝒳, 𝒴 va 😄 uchun kodlar esa uzunroq, ular 4 baytga ega.

Uzoq vaqt oldin, JavaScript tili yaratilganda, Unicode kodlash oddiyroq edi: 4 baytli belgilar yo’q edi. Shuning uchun ba’zi til xususiyatlari hali ham ularni noto’g’ri boshqaradi.

Masalan, length bu yerda ikkita belgi borligini hisoblaydi:

alert('😄'.length); // 2
alert('𝒳'.length); // 2

…Lekin biz faqat bittasini ko’rishimiz mumkin, to’g’rimi? Gap shundaki, length 4 baytni ikkita 2 baytli belgi sifatida ko’radi. Bu noto’g’ri, chunki ular faqat birgalikda ko’rib chiqilishi kerak (“surrogate pair” deb ataladi, ular haqida Satrlar maqolasida o’qishingiz mumkin).

Sukut bo’yicha, doimiy ifodalar ham 4 baytli "uzun belgilar"ni 2 baytli juftlik sifatida ko’radi. Va satrlar bilan bo’lgani kabi, bu g’alati natijalarga olib kelishi mumkin. Buni biroz keyinroq To'plamlar va diapazonlar [...] maqolasida ko’ramiz.

Satrlardan farqli o’laroq, doimiy ifodalarda bunday muammolarni hal qiluvchi u bayrog’i mavjud. Bunday bayroq bilan regexp 4 baytli belgilarni to’g’ri boshqaradi. Shuningdek, Unicode xususiyatlari bo’yicha qidiruv imkoni paydo bo’ladi, bunga keyinroq o’tamiz.

Unicode xususiyatlari \p{…}

Unicode-da har bir belgi ko’plab xususiyatlarga ega. Ular belgi qaysi "toifa"ga tegishli ekanligini tasvirlaydi, u haqida turli ma’lumotlarni o’z ichiga oladi.

Masalan, agar belgida Letter xususiyati bo’lsa, bu belgi alifboga (har qanday tilning) tegishli ekanligini anglatadi. Va Number xususiyati bu raqam ekanligini bildiradi: arab yoki xitoy va hokazo.

Biz \p{…} ko’rinishida yozilgan xususiyatga ega belgilarni qidira olamiz. \p{…}dan foydalanish uchun doimiy ifoda u bayrog’iga ega bo’lishi kerak.

Masalan, \p{Letter} har qanday tildagi harfni bildiradi. Shuningdek, \p{L}dan ham foydalanishimiz mumkin, chunki L – Letterning taxallusi. Deyarli har bir xususiyat uchun qisqaroq taxalluslar mavjud.

Quyidagi misolda uch xil harflar topiladi: ingliz, gruzin va koreys.

let str = "A ბ ㄱ";

alert( str.match(/\p{L}/gu) ); // A,ბ,ㄱ
alert( str.match(/\p{L}/g) ); // null (moslik yo'q, \p "u" bayrog'isiz ishlamaydi)

Mana asosiy belgilar toifalari va ularning kichik toifalari:

• Harf L:
  • kichik harf Ll
  • modifikator Lm,
  • bosh harf Lt,
  • katta harf Lu,
  • boshqa Lo.
• Raqam N:
  • o’nli raqam Nd,
  • harf raqami Nl,
  • boshqa No.
• Tinish belgilari P:
  • bog’lovchi Pc,
  • tire Pd,
  • boshlang’ich tirnoq Pi,
  • oxirgi tirnoq Pf,
  • ochuvchi Ps,
  • yopuvchi Pe,
  • boshqa Po.
• Belgi M (urg’u va boshqalar):
  • bo’shliq birlashuvchi Mc,
  • o’rab oluvchi Me,
  • bo’shliqsiz Mn.
• Ramz S:
  • valyuta Sc,
  • modifikator Sk,
  • matematik Sm,
  • boshqa So.
• Ajratuvchi Z:
  • qator Zl,
  • paragraf Zp,
  • bo’shliq Zs.
• Boshqa C:
  • boshqaruv Cc,
  • format Cf,
  • tayinlanmagan Cn,
  • shaxsiy foydalanish Co,
  • surrogate Cs.

Shunday qilib, masalan, agar bizga kichik harflar kerak bo’lsa, \p{Ll} yozishimiz mumkin, tinish belgilari: \p{P} va hokazo.

Boshqa hosila toifalar ham mavjud, masalan:

• Alphabetic (Alpha), Harflar L, harf raqamlari Nl (masalan, Ⅻ – rim raqami 12 uchun belgi), va boshqa ba’zi ramzlar Other_Alphabetic (OAlpha) ni o’z ichiga oladi.
• Hex_Digit o’n oltilik raqamlarni o’z ichiga oladi: 0-9, a-f.
• …Va hokazo.

Unicode ko’plab turli xususiyatlarni qo’llab-quvvatlaydi, ularning to’liq ro’yxati ko’p joy talab qiladi, shuning uchun mana havolalar:

• Belgi bo’yicha barcha xususiyatlar ro’yxati: https://unicode.org/cldr/utility/character.jsp.
• Xususiyat bo’yicha barcha belgilar ro’yxati: https://unicode.org/cldr/utility/list-unicodeset.jsp.
• Xususiyatlar uchun qisqa taxalluslar: https://www.unicode.org/Public/UCD/latest/ucd/PropertyValueAliases.txt.
• Barcha xususiyatlar bilan matn formatidagi Unicode belgilarining to’liq bazasi: https://www.unicode.org/Public/UCD/latest/ucd/.

Misol: o’n oltilik raqamlar

Masalan, xFF ko’rinishida yozilgan o’n oltilik raqamlarni qidiraylik, bu yerda F hex raqam (0…9 yoki A…F).

Hex raqam \p{Hex_Digit} ko’rinishida belgilanishi mumkin:

let regexp = /x\p{Hex_Digit}\p{Hex_Digit}/u;

alert("number: xAF".match(regexp)); // xAF

Misol: Xitoy ierogliflari

Xitoy ierogliflarini qidiraylik.

Script (yozuv tizimi) Unicode xususiyati mavjud, u quyidagi qiymatlarga ega bo’lishi mumkin: Cyrillic, Greek, Arabic, Han (Xitoy) va hokazo, to’liq ro’yxat shu yerda.

Berilgan yozuv tizimidagi belgilarni qidirish uchun Script=<qiymat>dan foydalanishimiz kerak, masalan kirill harflari uchun: \p{sc=Cyrillic}, xitoy ierogliflari uchun: \p{sc=Han}, va hokazo:

let regexp = /\p{sc=Han}/gu; // xitoy ierogliflarini qaytaradi

let str = `Hello Привет 你好 123_456`;

alert( str.match(regexp) ); // 你,好

Misol: valyuta

$, €, ¥ kabi valyutani bildiruvchi belgilar \p{Currency_Symbol} Unicode xususiyatiga ega, qisqa taxallus: \p{Sc}.

“Valyuta, keyin raqam” formatidagi narxlarni qidirish uchun undan foydalanamiz:

let regexp = /\p{Sc}\d/gu;

let  str = `Prices: $2, €1, ¥9`;

alert( str.match(regexp) ); // $2,€1,¥9

Keyinroq, Miqdorchilar +, *, ? va {n} maqolasida ko’plab raqamlarni o’z ichiga olgan raqamlarni qanday qidirishni ko’ramiz.

Xulosa

u bayrog’i doimiy ifodalarda Unicode qo’llab-quvvatlashni yoqadi.

Bu ikki narsani anglatadi:

1. 4 baytli belgilar to’g’ri boshqariladi: bitta belgi sifatida, ikkita 2 baytli belgi emas.
2. Unicode xususiyatlari qidiruvda ishlatilishi mumkin: \p{…}.

Unicode xususiyatlari bilan biz berilgan tillardagi so’zlar, maxsus belgilar (qo’shtirnoqlar, valyutalar) va hokazolarni qidirishimiz mumkin.