在 Embarcadero 的 C++ Builder 中使用 RegEx 将文本拆分为单个单词

Question

我正在使用 Embarcadero 的 C++ Builder 开发一个拼写检查程序。我使用正则表达式将文本拆分为单个单词。下面的代码在 RAD Studio XE 上运行良好，但在 RAD Studio Seattle 上的表现不同。

当单词包含非拉丁字符（例如德语变音符号 (Ä,Ö,Ü) 或带有重音符号的字符 (é,ê,à)）时，就会出现此问题。 "\w" 被解释为 [a-zA-Z_0-9] 忽略非拉丁字符。

首先，我的上下文中的单词是什么？可能的单词包括：

"\r\n"
"word-word-word-word ..."
"word." 或 "word-"
带撇号的单词：“'单词”"wor'd""word' "
"word"
有两种不同类型的撇号：' 和 '

代码如下：

String text (L"Österreich l'année);
const String sRegex (L"\r\n|(\w+\-)+\w+|\w+(\.|\-)|('|’)?\w+('|’)?\w*");
TRegEx regex(sRegex, TRegExOptions());
TMatchCollection regexMatches = regex.Matches(text);
for (int i=0; i<regexMatches.Count; ++i)
{
    TMatch regexMatch = regexMatches.Item[i];
    String word (regexMatch.Value);

    //do stuff with word
}

字符串单词的所需值为“Österreich”和 "l'année"。但是，RegEx匹配的是"sterreich"、"l'ann"和"e".

我的问题是，如何指定所有非拉丁字符？

Answer 1

\p{L} 匹配 unicode 字母 。尝试使用它而不是 \w.

See it here at regex101.

如果您还需要数字（与 \w 一样），请将 \d 添加到组中。

在 Embarcadero 的 C++ Builder 中使用 RegEx 将文本拆分为单个单词

Using RegEx to split up a text into single words in Embarcadero's C++ Builder

c++

regex

string

c++builder