JS正则匹配含U+0336组合字符时拆分单词问题如何解决

你遇到的匹配拆分问题核心原因有两个：

• 正则默认没有开启Unicode匹配模式（无u标志）时，JavaScript会按UTF-16码元拆分所有字符，像带删除线的ś̶、带上点的k̇这类由「基础字符+多个组合附加符」拼成的用户感知字符，会被拆成多个独立码元处理。
• 手动枚举字符的方式天生会漏组合标记：你的字符集里没有包含例子里k后面的组合上点（U+0307）等通用组合符号，匹配到这些不在枚举范围内的组合符时就会中断匹配，把连续文本拆成多段。

Unicode属性转义方案完全适用，是处理这类带组合标记的多码点Unicode字符匹配的最优方案，不需要手动枚举所有可能出现的组合附加符。

1. 给正则加上u标志，开启Unicode匹配模式，这是使用Unicode属性转义的前提，也能让正则正确识别多码点Unicode字符。
2. 调整匹配逻辑：不再单独枚举带组合符的特殊字符，改为匹配「基础字符 + 任意数量的组合标记」的连续序列：

• 基础字符可以根据你的匹配范围选择：如果要匹配所有语言的字母，用\p{Letter}（简写\p{L}）；如果只需要匹配你原本指定的拉丁扩展字符范围，直接用你原来枚举的基础字符即可。
• 组合标记统一用\p{Mark}（简写\p{M}）匹配，这个属性覆盖了所有变音符、组合删除线、组合上点、组合连字符这类附加在基础字符上的Unicode符号，不管一个基础字符后面带多少个组合标记都能被正确匹配。

可直接使用的正则 #

如果需要匹配和你原本范围一致的拉丁及扩展拉丁字母（不会匹配中文、西里尔文等其他语言字符），可以用下面的正则：

/(?:[a-zA-Zɑôáīúȑìêɑiuŋġḧnƞčḣñtdŕńȶvmᵯǰɏæǽÿẇẏsś]\p{M}*)+/gmu

拿你给出的测试用例验证：

"mokk̇ś̶ḣô".match(/(?:[a-zA-Zɑôáīúȑìêɑiuŋġḧnƞčḣñtdŕńȶvmᵯǰɏæǽÿẇẏsś]\p{M}*)+/gmu)
// 返回 ['mokk̇ś̶ḣô']，完全符合连续匹配预期

注：你原正则里的ɑ͡i、ɑ͡u、g̶̃这类带组合符的字符，不需要单独枚举，其中的组合连字符、删除线、波浪号都会被\p{M}自动匹配。

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