Saya seorang penggemar Regular Expressions. Saat saya menulis regex untuk mencari ayat tanpa tanda baca di akhir:
[^\\][^\p{P}\d]\r\n\\v
atau
[^\\l][^\p{P}\d]\r\n\\v \d+ \p{Lu}
, saya menyadari bahwa varian RegEx C# di RegexPal (dan filtering/Process FLEx) mendukung kategori karakter Unicode shorthand (bukan longhand).
Beberapa yang paling berguna adalah:
-
\p{L} Huruf (hampir semua ortografi)
-
\p{Lu} Huruf kapital
-
\p{Ll} Huruf kecil
-
\p{P} Tanda baca
-
\p{M} Diakritik apa pun
Jika P setelah garis miring adalah huruf kapital, artinya BUKAN kelas karakter tersebut.
-
\P{L} Karakter non-huruf apa pun
Daftar lengkap:
-
\p{L}: jenis huruf apa pun dari bahasa apa pun.
-
\p{Ll}: huruf kecil yang memiliki varian kapital.
-
\p{Lu}: huruf kapital yang memiliki varian kecil.
-
\p{Lt}: huruf yang muncul di awal kata ketika hanya huruf pertama kata yang dikapitalisasi.
-
\p{L&}: huruf yang memiliki varian kecil dan kapital (kombinasi Ll, Lu, dan Lt).
-
\p{Lm}: karakter khusus yang digunakan seperti huruf.
-
\p{Lo}: huruf atau ideograf yang tidak memiliki varian kecil dan kapital.
-
\p{M}: karakter yang dimaksudkan untuk digabungkan dengan karakter lain (misalnya aksen, umlaut, kotak pengurung, dll.).
-
\p{Mn}: karakter yang dimaksudkan untuk digabungkan dengan karakter lain tanpa mengambil ruang tambahan (misalnya aksen, umlaut, dll.).
-
\p{Mc}: karakter yang dimaksudkan untuk digabungkan dengan karakter lain yang mengambil ruang tambahan (tanda vokal dalam banyak bahasa Timur).
-
\p{Me}: karakter yang mengurung karakter yang digabungkannya (lingkaran, persegi, keycap, dll.).
-
\p{Z}: jenis spasi atau pemisah tak terlihat apa pun.
-
\p{Zs}: karakter spasi yang tak terlihat, tetapi tetap mengambil ruang.
-
\p{Zl}: karakter pemisah baris U+2028.
-
\p{Zp}: karakter pemisah paragraf U+2029.
-
\p{S}: simbol matematika, tanda mata uang, dingbat, karakter penggambaran kotak, dll.
-
\p{Sm}: simbol matematika apa pun.
-
\p{Sc}: tanda mata uang apa pun.
-
\p{Sk}: karakter penggabungan (mark) sebagai karakter penuh tersendiri.
-
\p{So}: berbagai simbol yang bukan simbol matematika, tanda mata uang, atau karakter penggabungan.
-
\p{N}: jenis karakter numerik apa pun dalam skrip apa pun.
-
\p{Nd}: angka nol hingga sembilan dalam skrip apa pun kecuali skrip ideografis.
-
\p{Nl}: angka yang terlihat seperti huruf, seperti angka Romawi.
-
\p{No}: angka superskrip atau subskrip, atau angka yang bukan digit 0–9 (tidak termasuk angka dari skrip ideografis).
-
\p{P}: jenis karakter tanda baca apa pun.
-
\p{Pd}: jenis tanda hubung atau garis penghubung apa pun.
-
\p{Ps}: jenis tanda kurung pembuka apa pun.
-
\p{Pe}: jenis tanda kurung penutup apa pun.
-
\p{Pi}: jenis tanda kutip pembuka apa pun.
-
\p{Pf}: jenis tanda kutip penutup apa pun.
-
\p{Pc}: karakter tanda baca seperti garis bawah yang menghubungkan kata.
-
\p{Po}: jenis karakter tanda baca apa pun yang bukan garis penghubung, kurung, kutip, atau penghubung.
-
\p{C}: karakter kontrol tak terlihat dan titik kode yang tidak digunakan.
-
\p{Cc}: karakter kontrol ASCII atau Latin-1: 0x00–0x1F dan 0x7F–0x9F.
-
\p{Cf}: indikator format tak terlihat.
-
\p{Co}: titik kode apa pun yang dicadangkan untuk penggunaan pribadi.
-
\p{Cs}: setengah dari pasangan surrogate dalam pengkodean UTF-16.
-
\p{Cn}: titik kode apa pun yang belum ditugaskan karakter apa pun.
Dokumentasi Lengkap:
https://www.regular-expressions.info/unicode.html#category
I’m a Regular Expressions nerd. While I was writing a regex to look for verses with no ending punctuation:
[^\\][^\p{P}\d]\r\n\\v
or
[^\\l][^\p{P}\d]\r\n\\v \d+ \p{Lu}
, I realized that the C# flavor of RegEx in RegexPal (and FLEx filtering/Process) supports shorthand (not longhand) Unicode character categories.
Some of the most useful are:
-
\p{L} Letter (nearly any orthography)
-
\p{Lu} Uppercase letter
-
\p{Ll} Lowercase letter
-
\p{P} Punctuation
-
\p{M} Any diacritic
If the P after the slash is capital, it means NOT that character class.
The whole list:
-
\p{L}: any kind of letter from any language.
-
\p{Ll}: a lowercase letter that has an uppercase variant.
-
\p{Lu}: an uppercase letter that has a lowercase variant.
-
\p{Lt}: a letter that appears at the start of a word when only the first letter of the word is capitalized.
-
\p{L&}: a letter that exists in lowercase and uppercase variants (combination of Ll, Lu and Lt).
-
\p{Lm}: a special character that is used like a letter.
-
\p{Lo}: a letter or ideograph that does not have lowercase and uppercase variants.
-
\p{M}: a character intended to be combined with another character (e.g. accents, umlauts, enclosing boxes, etc.).
-
\p{Mn}: a character intended to be combined with another character without taking up extra space (e.g. accents, umlauts, etc.).
-
\p{Mc}: a character intended to be combined with another character that takes up extra space (vowel signs in many Eastern languages).
-
\p{Me}: a character that encloses the character it is combined with (circle, square, keycap, etc.).
-
\p{Z}: any kind of whitespace or invisible separator.
-
\p{Zs}: a whitespace character that is invisible, but does take up space.
-
\p{Zl}: line separator character U+2028.
-
\p{Zp}: paragraph separator character U+2029.
-
\p{S}: math symbols, currency signs, dingbats, box-drawing characters, etc.
-
\p{Sm}: any mathematical symbol.
-
\p{Sc}: any currency sign.
-
\p{Sk}: a combining character (mark) as a full character on its own.
-
\p{So}: various symbols that are not math symbols, currency signs, or combining characters.
-
\p{N}: any kind of numeric character in any script.
-
\p{Nd}: a digit zero through nine in any script except ideographic scripts.
-
\p{Nl}: a number that looks like a letter, such as a Roman numeral.
-
\p{No}: a superscript or subscript digit, or a number that is not a digit 0–9 (excluding numbers from ideographic scripts).
-
\p{P}: any kind of punctuation character.
-
\p{Pd}: any kind of hyphen or dash.
-
\p{Ps}: any kind of opening bracket.
-
\p{Pe}: any kind of closing bracket.
-
\p{Pi}: any kind of opening quote.
-
\p{Pf}: any kind of closing quote.
-
\p{Pc}: a punctuation character such as an underscore that connects words.
-
\p{Po}: any kind of punctuation character that is not a dash, bracket, quote or connector.
-
\p{C}: invisible control characters and unused code points.
-
\p{Cc}: an ASCII or Latin-1 control character: 0x00–0x1F and 0x7F–0x9F.
-
\p{Cf}: invisible formatting indicator.
-
\p{Co}: any code point reserved for private use.
-
\p{Cs}: one half of a surrogate pair in UTF-16 encoding.
-
\p{Cn}: any code point to which no character has been assigned.
Full Documentation:
https://www.regular-expressions.info/unicode.html#category
Diterjemahkan secara otomatis dari English
