Go语言正则匹配捷克语字符，解决\w仅识别ASCII字符问题

问题原因 #

Go标准库regexp使用的RE2正则引擎中，默认\w仅匹配ASCII范围内的[a-zA-Z0-9_]，无法识别捷克语的ž、á、ě等带变音符号的Unicode扩展字母，因此你的正则无法命中目标结果。

解决方案 #

使用RE2支持的Unicode属性类\p{L}替代\w，该类会匹配所有Unicode标准定义的字母，覆盖捷克语的全部字符范围。

修正后代码 #

r := regexp.MustCompile(`(?i)\by\p{L}+\b`)
text := "x yž z"
matches := r.FindAllString(text, -1)
fmt.Println(matches) // 输出 [yž]

补充说明 #

• 如果你需要兼容原\w的数字、下划线匹配逻辑，可以将正则修改为(?i)\by[\p{L}0-9_]+\b
• RE2默认的\b词边界是基于ASCII字符定义的，如果后续遇到Unicode字符位于单词首尾时边界识别异常，可以用前后非字符断言替代\b，示例规则：(?i)(?<![\p{L}0-9_])y\p{L}+(?![\p{L}0-9_])

内容的提问来源于stack exchange，提问作者Ondra