Удалить все пробелы между китайскими словами с помощью регулярных выражений

Я хотел бы удалить все пробелы только среди китайского текста.

Мой текст: "請 把 這 裡 的 10 多 個 字 合 併. Can you help me?"

Идеальный результат: "請把這裡的 10 多個字合併. Can you help me?"

var str = '請 把 這 裡 的 10 多 個 字 合 併. Can you help me?';
str = str.replace("/\ /", "");

Я изучил аналогичный вопрос для Python, но, похоже, он не работает в моей ситуации, поэтому я принес свой вопрос здесь для некоторой помощи.

ОТВЕТЫ

Ответ 1

Получение к китайскому образцу соответствия символа

Используя Unicode Tools, класс свойств \p{Han} Unicode, который соответствует любому китайскому символу, может быть переведен в

[\u2E80-\u2E99\u2E9B-\u2EF3\u2F00-\u2FD5\u3005\u3007\u3021-\u3029\u3038-\u303B\u3400-\u4DB5\u4E00-\u9FEF\uF900-\uFA6D\uFA70-\uFAD9\U00020000-\U0002A6D6\U0002A700-\U0002B734\U0002B740-\U0002B81D\U0002B820-\U0002CEA1\U0002CEB0-\U0002EBE0\U0002F800-\U0002FA1D]

В ES6, чтобы соответствовать одному китайскому символу, его можно использовать как

/[\u2E80-\u2E99\u2E9B-\u2EF3\u2F00-\u2FD5\u3005\u3007\u3021-\u3029\u3038-\u303B\u3400-\u4DB5\u4E00-\u9FEF\uF900-\uFA6D\uFA70-\uFAD9\u{20000}-\u{2A6D6}\u{2A700}-\u{2B734}\u{2B740}-\u{2B81D}\u{2B820}-\u{2CEA1}\u{2CEB0}-\u{2EBE0}\u{2F800}-\u{2FA1D}]/u

Транспортируя его в ES5 с помощью транспортера регулярных выражений ES2015 Unicode, мы получаем

(?:[\u2E80-\u2E99\u2E9B-\u2EF3\u2F00-\u2FD5\u3005\u3007\u3021-\u3029\u3038-\u303B\u3400-\u4DB5\u4E00-\u9FEF\uF900-\uFA6D\uFA70-\uFAD9]|[\uD840-\uD868\uD86A-\uD86C\uD86F-\uD872\uD874-\uD879][\uDC00-\uDFFF]|\uD869[\uDC00-\uDED6\uDF00-\uDFFF]|\uD86D[\uDC00-\uDF34\uDF40-\uDFFF]|\uD86E[\uDC00-\uDC1D\uDC20-\uDFFF]|\uD873[\uDC00-\uDEA1\uDEB0-\uDFFF]|\uD87A[\uDC00-\uDFE0]|\uD87E[\uDC00-\uDE1D])

шаблон для соответствия любому китайскому символу, используя JS RegExp.

Итак, вы можете использовать

s.replace(/([\u2E80-\u2E99\u2E9B-\u2EF3\u2F00-\u2FD5\u3005\u3007\u3021-\u3029\u3038-\u303B\u3400-\u4DB5\u4E00-\u9FEF\uF900-\uFA6D\uFA70-\uFAD9]|[\uD840-\uD868\uD86A-\uD86C\uD86F-\uD872\uD874-\uD879][\uDC00-\uDFFF]|\uD869[\uDC00-\uDED6\uDF00-\uDFFF]|\uD86D[\uDC00-\uDF34\uDF40-\uDFFF]|\uD86E[\uDC00-\uDC1D\uDC20-\uDFFF]|\uD873[\uDC00-\uDEA1\uDEB0-\uDFFF]|\uD87A[\uDC00-\uDFE0]|\uD87E[\uDC00-\uDE1D])\s+(?=(?:[\u2E80-\u2E99\u2E9B-\u2EF3\u2F00-\u2FD5\u3005\u3007\u3021-\u3029\u3038-\u303B\u3400-\u4DB5\u4E00-\u9FEF\uF900-\uFA6D\uFA70-\uFAD9]|[\uD840-\uD868\uD86A-\uD86C\uD86F-\uD872\uD874-\uD879][\uDC00-\uDFFF]|\uD869[\uDC00-\uDED6\uDF00-\uDFFF]|\uD86D[\uDC00-\uDF34\uDF40-\uDFFF]|\uD86E[\uDC00-\uDC1D\uDC20-\uDFFF]|\uD873[\uDC00-\uDEA1\uDEB0-\uDFFF]|\uD87A[\uDC00-\uDFE0]|\uD87E[\uDC00-\uDE1D]))/g, '$1')

Смотрите демо-версию регулярного выражения.

Если ваша среда JS совместима с ECMAScript 2018, вы можете использовать более короткий

s.replace(/(\p{Script=Hani})\s+(?=\p{Script=Hani})/gu, '$1')

Детали шаблона

  • (CHINESE_CHAR_PATTERN) - Захват группы 1 (1 $1 в шаблоне замены): любой китайский символ
  • \s+ - любые пробелы 1+ (любые пробелы Юникода)
  • (?=CHINESE_CHAR_PATTERN) - справа от текущего местоположения должен быть символ китайского (?=CHINESE_CHAR_PATTERN).

JS демо:

var s = "請 把 這 裡 的 10 多 個 字 合 併. Can you help me?";
var HanChr = "[\\u2E80-\\u2E99\\u2E9B-\\u2EF3\\u2F00-\\u2FD5\\u3005\\u3007\\u3021-\\u3029\\u3038-\\u303B\\u3400-\\u4DB5\\u4E00-\\u9FEF\\uF900-\\uFA6D\\uFA70-\\uFAD9]|[\\uD840-\\uD868\\uD86A-\\uD86C\\uD86F-\\uD872\\uD874-\\uD879][\\uDC00-\\uDFFF]|\\uD869[\\uDC00-\\uDED6\\uDF00-\\uDFFF]|\\uD86D[\\uDC00-\\uDF34\\uDF40-\\uDFFF]|\\uD86E[\\uDC00-\\uDC1D\\uDC20-\\uDFFF]|\\uD873[\\uDC00-\\uDEA1\\uDEB0-\\uDFFF]|\\uD87A[\\uDC00-\\uDFE0]|\\uD87E[\\uDC00-\\uDE1D]"; 
console.log(s.replace(new RegExp('(' + HanChr + ')\\s+(?=(?:' + HanChr + '))', 'g'), '$1'));

Ответ 2

Использование @Brett Zamir soluce о том, как сопоставить иероглифы в регулярных выражениях

Строка Юникода в Javascript, китайский символ, но без знаков препинания

const str = '請 把 這 裡 的 10 多 個 字 合 併. Can you help me?';

const regex = new RegExp('([\u4E00-\u9FCC\u3400-\u4DB5\uFA0E\uFA0F\uFA11\uFA13\uFA14\uFA1F\uFA21\uFA23\uFA24\uFA27-\uFA29]|[\ud840-\ud868][\udc00-\udfff]|\ud869[\udc00-\uded6\udf00-\udfff]|[\ud86a-\ud86c][\udc00-\udfff]|\ud86d[\udc00-\udf34\udf40-\udfff]|\ud86e[\udc00-\udc1d]) ([\u4E00-\u9FCC\u3400-\u4DB5\uFA0E\uFA0F\uFA11\uFA13\uFA14\uFA1F\uFA21\uFA23\uFA24\uFA27-\uFA29]|[\ud840-\ud868][\udc00-\udfff]|\ud869[\udc00-\uded6\udf00-\udfff]|[\ud86a-\ud86c][\udc00-\udfff]|\ud86d[\udc00-\udf34\udf40-\udfff]|\ud86e[\udc00-\udc1d])* ', 'g');

const ret = str.replace(regex, '$1$2');

console.log(ret);

Ответ 3

Диапазон для китайских символов может быть записан как [\u2E80-\u2FD5\u3190-\u319f\u3400-\u4DBF\u4E00-\u9FCC] поэтому вы можете использовать это регулярное выражение, которое выбирает китайский символ и пробел и обеспечивает за ним следуют символы китайского языка (?=[\u2E80-\u2FD5\u3190-\u319f\u3400-\u4DBF\u4E00-\u9FCC]+),

([\u2E80-\u2FD5\u3190-\u319f\u3400-\u4DBF\u4E00-\u9FCC]+)\s+(?=[\u2E80-\u2FD5\u3190-\u319f\u3400-\u4DBF\u4E00-\u9FCC]+)

И заменить его на $1

демонстрация

var str = '請 把把把把把 這 裡裡裡裡裡 的 10 多多多多 個 字 合 併. Can you help me?';
console.log(str.replace(/([\u2E80-\u2FD5\u3190-\u319f\u3400-\u4DBF\u4E00-\u9FCC]+)\s+(?=[\u2E80-\u2FD5\u3190-\u319f\u3400-\u4DBF\u4E00-\u9FCC]+)/g, "$1"));

Ответ 4

Попробуй это

str.replace(/ ([\u4E00-\u9FCC])|([ -~]+ )/g, '$1$2');

Решение работает с символами ascii и китайскими буквами с кодами \u4E00-\u9FCC (я получил их отсюда - он содержит ~ 20000 символов, достаточных для ежедневного использования, но не все китайские буквы).

var str = '請 把 這 裡 的 10 多 個 字 合 併. Can you help me?';
str = str.replace(/ ([\u4E00-\u9FCC])|([ -~]+ )/g, '$1$2');

console.log(str);

Ответ 5

Другое решение использует метод match() с китайскими буквенными кодами /[\u3400-\u9FBF]/ подробнее

str.match(/[\u3400-\u9FBF]/) // to detect if char is a chinese word

Мой скрипт для удаления пробела между китайскими буквами 

var chine = '請 把 這 裡 的 10 多 個 字 合 併. Can you help me?';
//split the text by space
var spl = chine.trim().split(/\s+/);  //Output spl = ["請","把","這",'裡','的','10','多','個'...];
var result = '';
for (var i = 0; i < spl.length; i++) {
  //check if the current char is a chinese word and the next char is a chinese word if true we remove space between them
  if (spl[i].match(/[\u3400-\u9FBF]/) && spl[i+1].match(/[\u3400-\u9FBF]/)) 
     result += spl[i];     
   else 
     result += spl[i] + ' '; //if the current char is not a chinese word we use space between them
}
 console.log(result);

Ответ 6

Это может быть полезно в вашем сценарии. (?<![ -~]) (?![ -~])