如何使用正则表达式删除字符串中的非拉丁文字段落（JS环境）

问题原因 #

你之前使用的硬编码Unicode范围[ɐ-]覆盖逻辑不严谨：既会漏匹配部分小众非拉丁语种字符，也会误将弯引号、全角标点这类不属于拉丁字母的通用标点划入匹配范围，最终导致英文段落内的标点被误删。

可行解决方案 #

JS 正则支持 Unicode 属性转义，可以精准识别非拉丁书写系统的字符，无需手动维护字符范围，正则逻辑为：匹配到任意非拉丁脚本字符后，删除后续所有内容直到遇见下一个英文字母a-zA-Z为止。

完整实现代码如下：

const rawText = `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)`;

// 正则说明：
// \P{Script=Latin}：匹配所有不属于拉丁书写系统的字符
// (?:(?![a-zA-Z]).)*：匹配后续所有不是英文字母的内容，直到遇见第一个英文字母停止
// g：全局匹配，s：允许.匹配换行符，u：启用Unicode属性匹配
const processedText = rawText.replace(/\P{Script=Latin}(?:(?![a-zA-Z]).)*/gus, '');

输出结果 #

上述代码处理后得到的结果完全符合预期：

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)

注意事项 #

如果你的使用场景需要额外保留非拉丁段落内的部分特定字符（比如数字、括号），可以在否定前瞻(?![a-zA-Z])里补充对应的字符规则即可。

内容的提问来源于stack exchange，提问作者Mijawel