使用textContent提取文本时如何排除软连字符­？

问题根源 #

你以为提取到的是字符串­，其实不是——HTML里的­实体被DOM解析后，会变成Unicode软连字符（U+00AD），这是个看不见的单个字符，不是"­"这六个字符，所以你之前匹配"­"的正则自然没用。

可行方案 #

方案1：先清掉所有软连字符再替换 #

直接用Unicode转义序列匹配这个隐形字符，先把文本清理干净：

// 先移除所有软连字符
const cleanedText = originalText.replace(/\u00AD/g, "");
// 再执行你的替换
const finalText = cleanedText.replace(/eftersom/g, "???");

方案2：直接匹配带软连字符的目标单词 #

如果不想先清理，想直接匹配中间可能插了软连字符的单词（比如efter+软连字符+som），可以把目标单词的每个字符之间加上可选的软连字符匹配规则：

// 把目标单词转换成允许中间插软连字符的正则模板
function getSoftHyphenSafeRegex(word) {
  return new RegExp(word.split("").join("\\u00AD?"), "gi");
}

// 使用示例：替换所有带软连字符的eftersom
const targetWord = "eftersom";
const result = originalText.replace(getSoftHyphenSafeRegex(targetWord), "???");

方案3：修改你原来的正则逻辑 #

针对你之前写的带前后非单词字符的正则，只需把firstWord处理成允许中间插软连字符的形式就行：

const processedFirstWord = firstWord.split("").join("\\u00AD?");
const regex = new RegExp(`(\\W)(${processedFirstWord})(\\W)`, "gi");
const result = originalText.replace(regex, "$1???$3");

验证小技巧 #

不确定是不是这个字符？可以打印每个字符的编码确认：

originalText.split("").forEach(char => {
  console.log(char.charCodeAt(0).toString(16)); // 软连字符会输出"ad"
});

内容的提问来源于stack exchange，提问作者programmerare