Accents and UnicodeAccents et Unicode

You saw it on the ranges page: [a-zA-Z] ignores “é”, “ç” and “û”. The same goes for \w, which is exactly [a-zA-Z0-9_]. Both stop at ASCII.

For French this is a real problem: an expression that looks as though it finds every word silently misses a good share of them. Unicode properties solve it:

• \p{L} → any letter, accents included;
• \p{Lu} → an uppercase letter;
• \p{Ll} → a lowercase letter.

To use \p{...}, the u (Unicode) flag has to be on: it is in every exercise in the module, and in the gmu setting recommended for regex101.

On y va ensemble. Elle a fini. Il ira à Montréal en mai. J'ai vu 5 pommes.

On y va ensemble. Elle a fini. Il ira à Montréal en mai. J'ai vu 5 pommes.

Vous l’avez vu dès la page sur les plages : [a-zA-Z] ignore « é », « ç » ou « û ». Il en va de même pour \w, qui est exactement [a-zA-Z0-9_]. Les deux s’arrêtent à l’ASCII.

Pour le français, c’est un vrai problème : une expression qui a l’air de trouver tous les mots en manque silencieusement une bonne partie. Les propriétés Unicode le résolvent :

• \p{L} → n’importe quelle lettre, accents compris ;
• \p{Lu} → une lettre majuscule ;
• \p{Ll} → une lettre minuscule.

Pour utiliser \p{...}, le drapeau u (Unicode) doit être actif : c’est le cas dans tous les exercices du module et dans le réglage gmu recommandé pour regex101.

On y va ensemble. Elle a fini. Il ira à Montréal en mai. J'ai vu 5 pommes.

On y va ensemble. Elle a fini. Il ira à Montréal en mai. J'ai vu 5 pommes.