正则matchAll处理含Unicode字符的字符串不符合预期，如何解决？

问题根源 #

你遇到的拆分问题，核心是\w在Unicode模式（u标志）下的匹配范围有限：

• \w（加u）对应Unicode属性\p{Word}，仅包含字母、数字、下划线，但不包含组合变音符号（\p{M}类）。
• 如果字符串中的ö是由基础字符o+组合变音符号¨构成的两个独立Unicode字符，\w会匹配o但跳过变音符号，直接匹配后面的r，导致Björk被拆成Bj和rk。

解决方法 #

替换正则表达式，使用Unicode属性类来匹配完整的带变音符号的单词：

方案1：匹配所有Unicode字母（适用于单个字符的变音字母）

使用\p{L}+（\p{L}表示任意Unicode字母），配合u标志：

const result = [..."I like to listen to Björk".matchAll(/\p{L}+/gu)].map(match => match[0]);
console.log(result);
// 输出: ["I", "like", "to", "listen", "to", "Björk"]

方案2：兼容组合变音符号（覆盖所有带变音的情况）

如果字符串里的变音符号是独立的组合字符（比如Bj\u0308rk这种写法），用[\p{L}\p{M}]+同时匹配字母和变音标记：

const str = "I like to listen to Bj\u0308rk"; // 这里ö是o+组合变音符号
const result = [...str.matchAll(/[\p{L}\p{M}]+/gu)].map(match => match[0]);
console.log(result);
// 输出: ["I", "like", "to", "listen", "to", "Björk"]

关于v标志 #

Node.js对v标志的支持较晚（16.14+），且这里完全不需要——上述方案用u标志即可实现需求，兼容性更好。

内容的提问来源于stack exchange，提问作者rausch