.Net Regex: Was ist das Wort Zeichen \ w?

Einfache Frage:
Wie lautet das Muster für das Wortzeichen \win c #, .net?

Mein erster Gedanke war, dass es passt [A-Za-z0-9_]und die Dokumentation sagt mir:

Zeichenklasse Beschreibung Musterübereinstimmungen
\ w Entspricht jedem \ w "I", "D", "A", "1", "3"
                   Wortzeichen. in "ID A1.3"

das ist nicht sehr hilfreich.
Und \wscheint auch zu passen äöü. Was sonst? Gibt es eine bessere (genaue) Definition?

Aus der Dokumentation :

Wortzeichen: \ w

\wEntspricht einem beliebigen Wortzeichen. Ein Wortzeichen ist Mitglied einer der in der folgenden Tabelle aufgeführten Unicode-Kategorien.

• Ll (Brief, Kleinbuchstaben)
• Lu (Brief, Großbuchstaben)
• Lt (Brief, Titelkoffer)
• Lo (Brief, Andere)
• Lm (Buchstabe, Modifikator)
• Nd (Zahl, Dezimalstelle)
• Pc (Interpunktion, Konnektor)
  • Diese Kategorie umfasst zehn Zeichen, von denen das am häufigsten verwendete das LOWLINE-Zeichen (_) u + 005F ist.

Wenn ECMAScript-kompatibles Verhalten angegeben \wist, entspricht dies [a-zA-Z_0-9].

Siehe auch

• Unicode-Zeichendatenbank
• Unicode-Zeichen in der Kategorie 'Interpunktion, Connector'

Grundsätzlich passt es zu allem, was als intuitive Definition von Buchstaben in verschiedenen Skripten angesehen werden kann - plus dem Unterstrich und einigen anderen merkwürdigen Kugeln.

Sie finden eine vollständige Liste (zumindest für das BMP) mit dem folgenden kleinen PowerShell-Snippet:

0..65535 | ?{([char]$_) -match '\w'} | %{ "$_`: " + [char]$_ }

Nach einigen Recherchen entspricht die Verwendung von '\ w' in .NET also:

public static class Extensions { 
    /// <summary>
    /// The word categories.
    /// </summary>
    [NotNull]
    private static readonly HashSet<UnicodeCategory> _wordCategories = new HashCollection<UnicodeCategory>(
                new[]
                {
            UnicodeCategory.DecimalDigitNumber,
            UnicodeCategory.UppercaseLetter,
            UnicodeCategory.ConnectorPunctuation,
            UnicodeCategory.LowercaseLetter,
            UnicodeCategory.OtherLetter,
            UnicodeCategory.TitlecaseLetter,
            UnicodeCategory.ModifierLetter,
            UnicodeCategory.NonSpacingMark,
                });

    /// <summary>
    /// Determines whether the specified character is a word character (equivalent to '\w').
    /// </summary>
    /// <param name="c">The c.</param>
    public static bool IsWord(this char c) => _wordCategories.Contains(char.GetUnicodeCategory(c));
}

Ich habe dies als Erweiterungsmethode geschrieben, um es einfach für jedes cgerade aufgerufene Zeichen zu verwenden , c.IsWord()das zurückgegeben wird, truewenn das Zeichen ein Wortzeichen ist. Dies sollte erheblich schneller sein als die Verwendung eines Regex.

Interessanterweise scheint dies nicht mit der .NET-Spezifikation übereinzustimmen. Tatsächlich entspricht '\ w' 938 'NonSpacingMark'-Zeichen, die nicht erwähnt werden.

Insgesamt entspricht dies 49.760 der 65.535 Zeichen, sodass die im Web häufig angezeigten einfachen regulären Ausdrücke unvollständig sind.