Classe de caractères Unicode échappés : \p{...}, \P{...}

Exemple interactif

const sentence = "Un billet pour 大阪 coûte ¥2000 👌.";

const regexpEmojiPresentation = /\p{Emoji_Presentation}/gu;
console.log(sentence.match(regexpEmojiPresentation));
// Résultat attendu : Array ["👌"]

const regexpNonLatin = /\P{Script_Extensions=Latin}+/gu;
console.log(sentence.match(regexpNonLatin));
// Résultat attendu : Array [" ", " ", " 大阪 ", " ¥2000 👌."]

const regexpCurrencyOrPunctuation = /\p{Sc}|\p{P}/gu;
console.log(sentence.match(regexpCurrencyOrPunctuation));
// Résultat attendu : Array ["¥", "."]

Syntaxe

\p{loneProperty}
\P{loneProperty}

\p{property=value}
\P{property=value}

Paramètres

loneProperty

Un nom ou une valeur de propriété Unicode seul, suivant la même syntaxe que value. Il définit la valeur de la propriété General_Category ou un nom de propriété binaire ^(angl.). En mode v, il peut également s'agir d'une propriété Unicode binaire de chaînes de caractères ^(angl.).

Note : La syntaxe ICU ^(angl.) permet également de ne pas définir le nom de la propriété Script, mais JavaScript ne prend pas en charge cette fonctionnalité, car la plupart du temps, Script_Extensions est plus utile que Script.

property

Un nom de propriété Unicode. Il doit être composé de lettres ASCII (A-Z, a-z) et de traits de soulignement (_), et doit correspondre à l'un des noms de propriétés non binaires ^(angl.).

value

Une valeur de propriété Unicode. Elle doit être composée de lettres ASCII (A-Z, a-z), de traits de soulignement (_) et de chiffres (0-9), et doit faire partie des valeurs prises en charge dans PropertyValueAliases.txt ^(angl.).

Description

\p et \P sont uniquement prises en charge en mode sensible à l'Unicode. En mode insensible à l'Unicode, elles constituent des échappements d'identité pour le caractère p ou P.

Chaque caractère Unicode possède un ensemble de propriétés qui le décrivent. Par exemple, le caractère a ^(angl.) a la propriété General_Category avec la valeur Lowercase_Letter, et la propriété Script avec la valeur Latn. Les séquences d'échappement \p et \P permettent de faire correspondre un caractère en fonction de ses propriétés. Par exemple, a peut être mis en correspondance par \p{Lowercase_Letter} (le nom de la propriété General_Category est optionnel) ainsi que par \p{Script=Latn}. \P crée une classe complémentaire qui consiste en des points de code sans la propriété définie.

Lorsque l'indicateur i est activé, les classes de caractères \P sont traitées légèrement différemment en modes u et v. En mode u, le pliage de casse s'effectue après la soustraction ; en mode v, il s'effectue avant. Plus concrètement, en mode u, \P{property} correspond à caseFold(allCharacters - charactersWithProperty). Ainsi, /\P{Lowercase_Letter}/iu correspond toujours à "a", car A n'est pas une valeur Lowercase_Letter. En mode v, \P{property} correspond à caseFold(allCharacters) - caseFold(charactersWithProperty). Ainsi, /\P{Lowercase_Letter}/iv ne correspond pas à "a", car A ne figure même pas dans l'ensemble des caractères Unicode pliés. Consultez aussi les classes complémentaires et la correspondance sans distinction de casse.

Pour combiner plusieurs propriétés, utilisez la syntaxe d'intersection d'ensembles de caractères activée par l'indicateur v, ou consultez la soustraction et l'intersection de motifs.

En mode v, \p peut faire correspondre une séquence de points de code, définie par Unicode comme une « propriété de chaîne de caractères ». Cette fonctionnalité est particulièrement utile pour les emojis, souvent composés de plusieurs points de code. Toutefois, \P ne peut compléter que des propriétés de caractères.

Exemples

Catégories générales

Les catégories générales servent à classer les caractères Unicode, et leurs sous-catégories permettent une classification plus précise. Les échappements de propriétés Unicode acceptent les formes courtes comme les formes longues.

Vous pouvez les utiliser pour faire correspondre des lettres, des nombres, des symboles, des signes de ponctuation, des espaces, etc. Pour une liste plus complète des catégories générales, consultez la spécification Unicode ^(angl.).

// trouver toutes les lettres du texte
const histoire =
  "C'est le Chat du Cheshire : maintenant, j'ai quelqu'un à qui parler.";

// Forme la plus explicite
histoire.match(/\p{General_Category=Letter}/gu);

// Le nom de propriété n'est pas obligatoire pour les catégories générales
histoire.match(/\p{Letter}/gu);

// Forme équivalente (alias court) :
histoire.match(/\p{L}/gu);

// Forme également équivalente (conjonction de toutes les sous-catégories à l'aide d'alias courts)
histoire.match(/\p{Lu}|\p{Ll}|\p{Lt}|\p{Lm}|\p{Lo}/gu);

Scripts et extensions de scripts

Certaines langues utilisent différents scripts d'écriture. Par exemple, l'anglais et l'espagnol s'écrivent avec le script latin, tandis que l'arabe et le russe s'écrivent avec d'autres scripts (respectivement arabe et cyrillique). Les propriétés Unicode Script et Script_Extensions permettent aux expressions rationnelles de faire correspondre les caractères selon le script auquel ils sont principalement associés (Script) ou selon l'ensemble des scripts auxquels ils appartiennent (Script_Extensions).

Par exemple, A appartient au script Latin et ε au script Greek.

const caracteresMixtes = "aεЛ";

// Utiliser le nom canonique "long" du script
caracteresMixtes.match(/\p{Script=Latin}/u); // a

// Utiliser un alias court (code ISO 15924) pour le script
caracteresMixtes.match(/\p{Script=Grek}/u); // ε

// Utiliser le nom court sc pour la propriété Script
caracteresMixtes.match(/\p{sc=Cyrillic}/u); // Л

Pour plus de détails, consultez la spécification Unicode ^(angl.), le tableau des scripts de la spécification ECMAScript ^(angl.) et la liste des codes de scripts ISO 15924 ^(angl.).

Si un caractère est utilisé dans un ensemble limité de scripts, la propriété Script ne correspond qu'au script « prédominant ». Pour faire correspondre des caractères selon un script « non prédominant », nous pouvons utiliser la propriété Script_Extensions (abrégée scx).

// ٢ est le chiffre 2 en notation indo-arabe
// il s'écrit principalement avec le script arabe
// il peut aussi s'écrire avec le script thaana

"٢".match(/\p{Script=Thaana}/u);
// null, car Thaana n'est pas le script prédominant

"٢".match(/\p{Script_Extensions=Thaana}/u);
// ["٢", index: 0, input: "٢", groups: undefined]

Échapper les propriétés Unicode et classes de caractères

Avec les expressions rationnelles JavaScript, vous pouvez également utiliser des classes de caractères, notamment \w et \d, pour faire correspondre des lettres ou des chiffres. Toutefois, ces formes ne correspondent qu'aux caractères du script latin (autrement dit, de a à z et de A à Z pour \w, et de 0 à 9 pour \d). Comme le montre cet exemple, il peut être assez compliqué de travailler avec des textes non latins.

Les catégories d'échappement de propriétés Unicode couvrent beaucoup plus de caractères, et \p{Letter} ou \p{Number} fonctionne avec n'importe quel script.

// Essai d'utilisation de plages pour contourner les limites de \w :

const texteNonAnglais = "Приключения Алисы в Стране чудес";
const regexpMotBMP = /([\u0000-\u0019\u0021-\uFFFF])+/gu;
// Le BMP va de U+0000 à U+FFFF, mais l'espace est U+0020

console.table(texteNonAnglais.match(regexpMotBMP));

// Utiliser les échappements de propriétés Unicode à la place
const regexpUPE = /\p{L}+/gu;
console.table(texteNonAnglais.match(regexpUPE));

Faire correspondre des prix

L'exemple suivant fait correspondre des prix dans une chaîne de caractères :

function obtenirPrix(str) {
  // Sc qui signifie "currency symbol"
  return [...str.matchAll(/\p{Sc}\s*[\d.,]+/gu)].map((match) => match[0]);
}

const str = `California rolls $6.99
Crunchy rolls $8.49
Shrimp tempura $10.99`;
console.log(obtenirPrix(str)); // ["$6.99", "$8.49", "$10.99"]

const str2 = `US store $19.99
Europe store €18.99
Japan store ¥2000`;
console.log(obtenirPrix(str2)); // ["$19.99", "€18.99", "¥2000"]

Faire correspondre des chaînes de caractères

Avec l'indicateur v, \p{…} peut faire correspondre des chaînes de caractères potentiellement plus longues qu'un caractère en utilisant une propriété de chaînes de caractères :

const indicatif = "🇺🇳";
console.log(indicatif.length); // 4 (deux points de code, chacun une paire de substitution)
console.log([...indicatif].length); // 2
console.log(/\p{RGI_Emoji_Flag_Sequence}/v.exec(indicatif)); // [ '🇺🇳' ]]

Toutefois, vous ne pouvez pas utiliser \P pour faire correspondre « une chaîne de caractères qui ne possède pas une propriété », car le nombre de caractères à consommer n'est pas clair.

/\P{RGI_Emoji_Flag_Sequence}/v; // SyntaxError: Invalid regular expression: Invalid property name

Spécifications

Compatibilité des navigateurs

Voir aussi

• Le guide des classes de caractères
• Expressions rationnelles
• Classe de caractères : [...], [^...]
• Échappement de classe de caractères : \d, \D, \w, \W, \s, \S
• Échappement de caractère : \n, \u{...}
• Disjonction : |
• Propriété de caractère Unicode ^(angl.) sur Wikipédia
• ES2018 : échappements de propriétés Unicode de RegExp ^(angl.) par Dr Axel Rauschmayer (2017)
• Expressions rationnelles Unicode § Propriétés ^(angl.)
• Utilitaires Unicode : UnicodeSet ^(angl.)
• Indicateur v de RegExp avec notation ensembliste et propriétés de chaînes de caractères ^(angl.) sur v8.dev (2022)