Propiedades de caracteres Unicode

Desde 5.1.0, tres secuencias de escape adicionales para coincidir con tipos de caracteres genéricos están disponibles cuando se selecciona el modo UTF-8. Son:

\p{xx}

un carácter con la propiedad xx

\P{xx}

un carácter sin la propiedad xx

\X

una secuencia Unicode extendida

Los nombres de propiedades representados por xx arriba están limitados a las propiedades generales de categoría Unicode. Cada carácter tiene exactamente una de estas propiedades, especificada por una abreviatura de dos letras. Para compatibilidad con Perl, la negación puede especificarse incluyendo un circunflejo entre la llave de apertura y el nombre de la propiedad. Por ejemplo, \p{^Lu} es lo mismo que \P{Lu}.

Si solo se especifica una letra con \p o \P, incluye todas las propiedades que comienzan con esa letra. En este caso, en ausencia de negación, las llaves en la secuencia de escape son opcionales; estos dos ejemplos tienen el mismo efecto:

\p{L}
\pL

Las propiedades extendidas como InMusicalSymbols no son soportadas por PCRE.

Especificar coincidencia sin distinción de mayúsculas y minúsculas no afecta estas secuencias de escape. Por ejemplo, \p{Lu} siempre coincide solo con letras mayúsculas.

Los conjuntos de caracteres Unicode están definidos como pertenecientes a ciertos scripts. Un carácter de uno de estos conjuntos puede coincidir usando un nombre de script. Por ejemplo:

• \p{Greek}

• \P{Han}

Aquellos que no son parte de un script identificado se agrupan juntos como Common. La lista actual de scripts es:

La secuencia de escape \X coincide con un grupo de grafemas extendido de Unicode. Un grupo de grafemas extendido es uno o más caracteres Unicode que se combinan para formar un solo glifo. En efecto, esto puede considerarse como el equivalente de Unicode de . ya que coincidirá con un carácter compuesto, independientemente de cuántos caracteres individuales se utilicen realmente para renderizarlo.

En versiones de PCRE anteriores a 8.32 (que corresponde a versiones de PHP anteriores a 5.4.14 cuando se usa la biblioteca PCRE incluida), \X es equivalente a (?>\PM\pM*). Es decir, coincide con un carácter sin la propiedad "marca", seguido de cero o más caracteres con la propiedad "marca", y trata la secuencia como un grupo atómico (ver Subpatrones de una sola vez). Los caracteres con la propiedad "marca" son típicamente acentos que afectan al carácter anterior.

Coincidir con caracteres por propiedad Unicode no es rápido, porque PCRE tiene que buscar una estructura que contiene datos para más de quince mil caracteres. Por eso las secuencias de escape tradicionales como \d y \w no usan propiedades Unicode en PCRE.