Sou um nerd em Expressões Regulares. Enquanto eu estava escrevendo uma regex para procurar versículos sem pontuação final:
[^\\][^\p{P}\d]\r\n\\v
ou
[^\\l][^\p{P}\d]\r\n\\v \d+ \p{Lu}
, percebi que a variante C# de RegEx no RegexPal (e no filtragem/Processo do FLEx) suporta categorias de caracteres Unicode abreviadas (não extensas).
Algumas das mais úteis são:
-
\p{L} Letra (quase qualquer ortografia)
-
\p{Lu} Letra maiúscula
-
\p{Ll} Letra minúscula
-
\p{P} Pontuação
-
\p{M} Qualquer diacrítico
Se o P após a barra for maiúsculo, significa NÃO aquela classe de caracteres.
A lista completa:
-
\p{L}: qualquer tipo de letra de qualquer idioma.
-
\p{Ll}: uma letra minúscula que tem uma variante maiúscula.
-
\p{Lu}: uma letra maiúscula que tem uma variante minúscula.
-
\p{Lt}: uma letra que aparece no início de uma palavra quando apenas a primeira letra da palavra é maiúscula.
-
\p{L&}: uma letra que existe em variantes minúsculas e maiúsculas (combinação de Ll, Lu e Lt).
-
\p{Lm}: um caractere especial que é usado como uma letra.
-
\p{Lo}: uma letra ou ideograma que não tem variantes minúsculas e maiúsculas.
-
\p{M}: um caractere destinado a ser combinado com outro caractere (por exemplo, acentos, trema, caixas circundantes, etc.).
-
\p{Mn}: um caractere destinado a ser combinado com outro caractere sem ocupar espaço extra (por exemplo, acentos, trema, etc.).
-
\p{Mc}: um caractere destinado a ser combinado com outro caractere que ocupa espaço extra (sinais vocálicos em muitos idiomas do Leste).
-
\p{Me}: um caractere que circunda o caractere com o qual é combinado (círculo, quadrado, tecla, etc.).
-
\p{Z}: qualquer tipo de espaço em branco ou separador invisível.
-
\p{Zs}: um caractere de espaço em branco que é invisível, mas ocupa espaço.
-
\p{Zl}: caractere separador de linha U+2028.
-
\p{Zp}: caractere separador de parágrafo U+2029.
-
\p{S}: símbolos matemáticos, sinais de moeda, ornamentos, caracteres de desenho de caixas, etc.
-
\p{Sm}: qualquer símbolo matemático.
-
\p{Sc}: qualquer sinal de moeda.
-
\p{Sk}: um caractere de combinação (marca) como um caractere completo por si só.
-
\p{So}: vários símbolos que não são símbolos matemáticos, sinais de moeda ou caracteres de combinação.
-
\p{N}: qualquer tipo de caractere numérico em qualquer escrita.
-
\p{Nd}: um dígito de zero a nove em qualquer escrita, exceto escritas ideográficas.
-
\p{Nl}: um número que parece uma letra, como um numeral romano.
-
\p{No}: um dígito sobrescrito ou subscrito, ou um número que não é um dígito 0–9 (excluindo números de escritas ideográficas).
-
\p{P}: qualquer tipo de caractere de pontuação.
-
\p{Pd}: qualquer tipo de hífen ou travessão.
-
\p{Ps}: qualquer tipo de colchete de abertura.
-
\p{Pe}: qualquer tipo de colchete de fechamento.
-
\p{Pi}: qualquer tipo de aspas de abertura.
-
\p{Pf}: qualquer tipo de aspas de fechamento.
-
\p{Pc}: um caractere de pontuação, como um sublinhado, que conecta palavras.
-
\p{Po}: qualquer tipo de caractere de pontuação que não é um hífen, colchete, aspas ou conector.
-
\p{C}: caracteres de controle invisíveis e pontos de código não utilizados.
-
\p{Cc}: um caractere de controle ASCII ou Latin-1: 0x00–0x1F e 0x7F–0x9F.
-
\p{Cf}: indicador de formatação invisível.
-
\p{Co}: qualquer ponto de código reservado para uso privado.
-
\p{Cs}: metade de um par de substitutos na codificação UTF-16.
-
\p{Cn}: qualquer ponto de código ao qual nenhum caractere foi atribuído.
Documentação Completa:
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
Tradução automática de English
