JavaScript代码无法输出含指定亚美尼亚语单词的数组元素问题

问题描述 #

需求是当sentencesRemovedPuncts数组中的元素包含单词“մի՛”时，输出sentences数组对应下标的原句子，但当前代码无任何输出：

var sentences = ["մի՛ գնար՝ ի տուն։", "մի անգամ, գեթ մի․․․։", "Զ՞ինչ մի՛թե է այս։"]
var sentencesRemovedPuncts = ["մի՛ գնար ի տուն", "մի անգամ գեթ մի", "Զինչ միթե է այս"] 
let word = "մի՛"
let key = new RegExp(`\b${word}\b`)
for (let i = 0; i < sentencesRemovedPuncts.length; i++) {
  if (key.test(sentencesRemovedPuncts[i])) {
    console.log(sentences[i])
  }
}

问题原因 #

JavaScript原生的\b是ASCII单词边界，仅匹配[A-Za-z0-9_]这类ASCII字符与其他字符的边界。而“մի՛”属于亚美尼亚语字符，全是非ASCII范围，\b无法识别其作为单词的边界，导致正则匹配完全失败。

修复方案 #

方案1：直接检查字符串包含（简单场景） #

如果不需要严格匹配整个单词，只是检查目标字符串是否存在，直接用includes方法即可：

var sentences = ["մի՛ գնար՝ ի տուն։", "մի անգամ, գեթ մի․․․։", "Զ՞ինչ մի՛թե է այս։"]
var sentencesRemovedPuncts = ["մի՛ գնար ի տուն", "մի անգամ գեթ մի", "Զինչ միթե է այս"] 
let word = "մի՛"

for (let i = 0; i < sentencesRemovedPuncts.length; i++) {
  if (sentencesRemovedPuncts[i].includes(word)) {
    console.log(sentences[i])
  }
}

输出结果：

մի՛ գնար՝ ի տուն։
Զ՞ինչ մի՛թե է այս։

方案2：Unicode单词边界（精确匹配场景） #

如果需要严格匹配整个单词（避免部分字符匹配，比如防止“մի՛թե”被误判），可以使用Unicode属性类结合负向断言实现真正的单词边界，注意要添加正则的u标志以支持Unicode：

var sentences = ["մի՛ գնար՝ ի տուն։", "մի անգամ, գեթ մի․․․։", "Զ՞ինչ մի՛թե է այս։"]
var sentencesRemovedPuncts = ["մի՛ գնար ի տուն", "մի անգամ գեթ մի", "Զինչ միթե է այս"] 
let word = "մի՛"
// (?<!\p{L}) 表示前面不是Unicode字母；(?!\p{L}) 表示后面不是Unicode字母
let key = new RegExp(`(?<!\\p{L})${word}(?!\\p{L})`, 'u')

for (let i = 0; i < sentencesRemovedPuncts.length; i++) {
  if (key.test(sentencesRemovedPuncts[i])) {
    console.log(sentences[i])
  }
}

输出结果：

մի՛ գնար՝ ի տուն։

内容的提问来源于stack exchange，提问作者user19846911