使用正则表达式从字符串中删除所有非拉丁文段落

Question

我需要从字符串中删除所有包含非拉丁字符的段落，但与我见过的许多答案不同，我还想删除这些段落中的标点符号，同时在英文段落中保留相同的标点符号。

换句话说，当遇到一个非拉丁字符如“ָהּ”时，正则表达式将开始跳过包括ascii标点在内的所有内容，直到找到一个[a-zA-Z]字符。

我尝试了以下示例，但它错误地删除了“一半”后的引号，这让我相信我对非拉丁字符没有很好的定义。

[\ɐ-\][^a-zA-Z]*

这是输入文本的示例（已更新）：

or perhaps, a - אוֹ דִילְמָא אֵין אִשָּׁה מִתְקַדְּשֶׁת לַחֲצָאִין כְּלָל (12);time
תֵּיקוּ
person cannot be in separate halves at all, even
though both "halves” would come together simultaneously?(13)
The speaker replies:(14)

结果字符串是：

or perhaps, a - time
person cannot be in separate halves at all, even
though both "halveswould come together simultaneously?(13)
The speaker replies:(14)

如您所见，它在第三行搞砸了。 显然，我可以排除那个特定的角色，但我担心它会在其他边缘情况下搞砸。

还有其他想法吗？ （顺便说一句，我正在使用 Javascript）

Answer 1

替换任何非拉丁字母字符，该字符可选地后跟除[a-zA-Z]之外的任意数量的字符和一个更多非拉丁字母字符。

要使用您自己的\ɐ-\定义作为边界：

/[\u0250-\ue007]([^a-z]*[\u0250-\ue007])?/gis

Answer 2

我理解“非拉丁字符，例如הּ ”是指任何非 ASCII字母。

要匹配 ASCII 字母以外的任何字母，您可以使用[^\\P{L}a-zA-Z] 。 这是一个否定字符类，它匹配非字母字符 ( \\P{L} ) 和 ASCII 字母 ( a-zA-Z ) 以外的任何字符。 所以，它基本上是\\p{L}模式，除了 ASCII 字母。

这个基于 Unicode 字符类的模式需要一个u标志，由 Node.js JavaScript 环境支持。

解决方案看起来像

text = text.replace(/[^\P{L}a-z][^a-z]*/gui, '')

请注意g标志使replace替换字符串中的所有出现，而i用于缩短 ASCII 字母模式（因为它使模式匹配不区分大小写）。

请参阅 JavaScript 演示：

 const text = `or perhaps, a - אוֹ דִילְמָא אֵין אִשָּׁה מִתְקַדְּשֶׁת לַחֲצָאִין כְּלָל (12);time תֵּיקוּ person cannot be in separate halves at all, even though both "halves” would come together simultaneously?(13) The speaker replies:(14)`; console.log( text.replace(/[^\\P{L}az][^az]*/gui, '') )

输出：

or perhaps, a - time
person cannot be in separate halves at all, even
though both "halves” would come together simultaneously?(13)
The speaker replies:(14)