Граница слова в регулярных выражениях JavaScript (\b)

Введение в границы слов

В JavaScript регулярных выражениях якорь \b используется для поиска границ слова. Граница слова — это позиция между словесным символом (определяемым классом символов \w, который включает [a-zA-Z0-9_]) и несловесным символом (любым символом, который не является словесным). Это позволяет точно находить целые слова и особенно полезно для таких задач, как поиск, замена или валидация конкретных словесных шаблонов в тексте.

\b является одним из якорей регулярных выражений. В отличие от якорей начала и конца строки ^ и $, которые привязывают совпадение к краям входной строки, \b привязывает его к краям слова — поэтому один шаблон может находить целые слова в любом месте строки.

В этой главе рассматривается, что считается границей слова, как работает противоположный якорь \B, нулевая ширина обоих якорей, распространённые шаблоны для поиска целых слов и ограничения при работе с текстом Unicode.

Использование якоря \b

Якорь \b является утверждением нулевой ширины: он соответствует позиции, а не символу. Позиция должна находиться между словесным символом (совпадающим с \w: [a-zA-Z0-9_]) и несловесным символом — либо между словесным символом и самым началом или концом строки. Поскольку \b имеет нулевую ширину, он ничего не потребляет; он лишь ограничивает место, в котором разрешено совпадение остальной части шаблона.

Граница слова возникает в трёх местах:

• Перед первым символом, если этот символ является словесным.
• После последнего символа, если этот символ является словесным.
• Между двумя соседними символами, где ровно один из них является словесным.

Дополнительный якорь \B соответствует каждой позиции, которая не является границей слова.

Чтобы увидеть, где именно находятся границы, вставьте маркер в каждую позицию \b:

Пояснение: Четыре границы находятся: перед a, после c (рядом с пробелом), перед d и после f (конец строки). Позиция пробела не имеет границы, потому что ни одна из сторон не является словесным символом.

Пример: поиск целых слов

Пояснение:

• Регулярное выражение /\bcat\b/ ищет слово "cat" как целое слово.
• В строке 'The cat is here.' слово "cat" является отдельным словом, поэтому результат — true.
• В строке 'The caterpillar is here.' "cat" является частью слова "caterpillar", поэтому результат — false.

Пример: поиск целых слов в тексте

Пояснение:

• Регулярное выражение /\bcat\b/g находит все вхождения слова "cat" как целого слова в тексте.
• Оно совпадает только с "cat", но не со "scatter", "caterpillar" или "catfish", поскольку "cat" не является отдельным словом в этих контекстах.
• Результатом является array, содержащий ["cat"].

Не-границы слов (\B)

\B является точной противоположностью \b: он соответствует любой позиции, которая не является границей слова. Это значит, что он срабатывает в середине слова (между двумя словесными символами) или между двумя несловесными символами, и не срабатывает там, где срабатывает \b.

Используйте \B, когда нужно найти шаблон только в случае, когда он вложен внутри более длинного слова.

Пояснение:

• /\Boo\B/g требует не-границы с обеих сторон от oo.
• В 'noon' символы oo окружены n с обеих сторон, поэтому оба утверждения \B выполняются — совпадение найдено.
• В 'zoo' символы oo находятся в конце слова, поэтому там существует настоящая граница слова, и \B не срабатывает. Возвращается только oo из 'noon'.

Удобный способ запомнить связь: в каждой позиции срабатывает ровно одно из \b и \B.

Практическое применение

Валидация полей ввода

Границы слов могут быть полезны для валидации полей ввода, когда требуются точные совпадения со словами.

Пояснение:

• Регулярное выражение /^\w+$/ гарантирует, что ввод является одним словом без пробелов.
• ^ фиксирует начало строки, а $ — конец. Поскольку \w соответствует только словесным символам, ^ и $ неявно обеспечивают границы слова, делая \b здесь избыточным.
• \w+ соответствует одному или более словесным символам (включая буквы, цифры и знаки подчёркивания).
• 'user123' совпадает, потому что это одно слово без пробелов.
• 'user 123' не совпадает, потому что содержит пробел, нарушающий последовательность словесных символов.
• Обратите внимание, что \w включает знаки подчёркивания, что может влиять на логику валидации, если вы намерены их исключить.

Извлечение слов из предложения

Вы можете извлекать конкретные слова из предложения с помощью границ слов.

Пояснение:

• Шаблон /\btest\w*\b/gi находит любое слово, начинающееся с "test".
• Флаг g гарантирует возврат всех совпадений в строке.
• Флаг i обеспечивает нечувствительность к регистру, поэтому находятся как "test", так и "Testing".
• Результат — ["test", "Testing"], так как оба слова начинаются с "test" и за ними следует ноль или более словесных символов.

Сочетание границ слов с другими шаблонами

Границы слов можно сочетать с другими шаблонами регулярных выражений для более сложных совпадений.

Пример: поиск слов с префиксом

Пояснение:

• Регулярное выражение /\bpre\w*\b/g находит слова, начинающиеся с префикса "pre".
• \bpre фиксирует границу слова, за которой следует "pre".
• \w* соответствует нулю или более словесным символам.
• \b фиксирует границу слова в конце.
• Результатом является array, содержащий ["preheat", "prefix", "prepare", "pressure"].

Пример: поиск слов с определённым суффиксом

Пояснение:

• Регулярное выражение /\w+ing\b/g находит слова, оканчивающиеся на "ing".
• \w+ соответствует одному или более словесным символам.
• ing\b соответствует "ing", за которым следует граница слова.
• Результатом является array, содержащий ["running", "walking", "talking", "thinking"].

Используйте \b для точного поиска слов

Пояснение:

• Регулярное выражение /\bdog\b/g находит слово "dog" как целое слово.
• Оно не находит "dogs", потому что "dog" не является отдельным словом в этом контексте.
• Результатом является array, содержащий ["dog"].

Пример: поиск целых чисел

Поскольку цифры являются словесными символами, \b работает и с числами — это полезно для извлечения целых чисел из смешанного текста без разбиения по десятичной точке.

Пояснение:

• /\b\d+\b/g находит последовательности цифр, стоящие отдельно между нецифровыми символами.
• 3.14 разбивается на "3" и "14", потому что . является несловесным символом, и граница слова находится по обе стороны от него.

Ограничения при работе с Unicode

Якорь \b определён исключительно в терминах ASCII-набора \w ([a-zA-Z0-9_]). Буквы с диакритическими знаками или символы из нелатинских систем письма считаются несловесными символами, поэтому граница появляется там, где вы этого не ожидаете.

Пояснение:

• é не входит в \w, поэтому движок видит границу слова между caf и é.
• \b после é ожидает, что é является словесным символом — но это не так — и потому всё утверждение не выполняется, даже если в тексте явно содержится слово "café".

JavaScript не предоставляет Unicode-совместимой версии \b (флаги u и v не изменяют его определение). Если вам нужно находить слова с ударениями или из нелатинских алфавитов как целые слова, постройте собственные границы с помощью явного класса символов, например:

Пояснение:

• \p{L} (включается флагом u) соответствует любой букве Unicode.
• Ретроспективная проверка (?<![\p{L}]) и предпросмотр (?![\p{L}]) воссоздают границу, учитывающую буквы, поэтому café совпадает, а cafés — нет.
• Это стандартное решение, когда ASCII \b слишком ограничен для вашего алфавита.

Заключение

Якорь \b в регулярных выражениях JavaScript — мощный инструмент для поиска границ слов. Используя этот якорь, вы можете создавать точные и эффективные шаблоны для поиска, замены и валидации слов в тексте. Независимо от того, работаете ли вы над функцией поиска, валидацией данных или обработкой текста, понимание и использование границ слов значительно расширит ваши возможности работы с регулярными выражениями.

Практика