☰

O regex_replace_all do expl3 tem um problema com o alemão ß, por quê?

tag-icon • tag-icon expl3 german l3regex
O regex_replace_all do expl3 tem um problema com o alemão ß, por quê?

EDITAR:Solução paraesseproblema abaixo.

Estou tentando fazer uma substituição direta de palavras inteiras no texto, mas parece que o uso regex_replace_allnão funciona corretamente, pois não encontra uma palavra que termine com ß.

Eu não quero usar "s para ßno texto a ser substituído, embora isso funcione!

Como MWE:

\documentclass{article}
\usepackage[utf8]{inputenc}

\ExplSyntaxOn
\newcommand{\replaceText}[1]{%
    \f_replace_text:n { #1 }
}

\tl_new:N \l_replace_text_tl
\tl_new:N \l_replace_a_tl
\tl_new:N \l_replace_b_tl

\cs_new_protected:Npn \f_replace_text:n #1 {%
    \tl_set:Nn \l_replace_text_tl { #1 }
    \f_replace:
    \tl_use:N \l_replace_text_tl
}

\cs_new_protected:Npn \f_replace: {%
%
    \tl_set:Nn \l_replace_a_tl { Grieß }
    \tl_set:Nn \l_replace_b_tl { Mehl }
    \regex_replace_all:nnN { \b\u{l_replace_a_tl}\b } { \u{l_replace_b_tl} } \l_replace_text_tl
%
    \tl_set:Nn \l_replace_a_tl { Grießmenge }
    \tl_set:Nn \l_replace_b_tl { Mehlmenge }
    \regex_replace_all:nnN { \b\u{l_replace_a_tl}\b } { \u{l_replace_b_tl} } \l_replace_text_tl
%
    \tl_set:Nn \l_replace_a_tl { some }
    \tl_set:Nn \l_replace_b_tl { more }
    \regex_replace_all:nnN { \b\u{l_replace_a_tl}\b } { \u{l_replace_b_tl} } \l_replace_text_tl
%
}
\ExplSyntaxOff

\begin{document}
    \noindent Writing some text.
    \replaceText{Replacing some text.}
    \replaceText{Forgetting to replace Grieß.}
    \replaceText{But not forgetting to replace Grießmenge.}
\end{document}

Isso produz:

Escrevendo algum texto. Substituindo mais texto. Esquecendo de substituirGriess. Mas não esquecendo de substituir Mehlmenge.

No entanto, eu teria esperado:

Escrevendo algum texto. Substituindo mais texto. Esquecendo de substituirMehl. Mas não esquecendo de substituir Mehlmenge.

Por que isso acontece e como posso evitar que isso aconteça? Eu tentei algumas maneiras de escapar do caractere na regex, mas não consegui fazer funcionar.

EDITAR: Nesse caso, as seguintes adições fazem com que funcione: Substituindo todas as instâncias de ß por suas ligaduras antes de usar os outros comandos regex que usam apenas a ligadura "s (dentro da pesquisa, não necessariamente na substituição) e depois alterando-as de volta em o fim:

\tl_new:N \l_replace_utf_tl
\tl_new:N \l_replace_ligature_tl

\cs_new_protected:Npn \f_replace_text:n #1 {%
    \tl_set:Nn \l_replace_text_tl { #1 }
    
    \tl_set:Nn \l_replace_utf_tl { ß }
    \tl_set:Nn \l_replace_ligature_tl { "s }
    \regex_replace_all:nnN { \u{l_replace_utf_tl} } { \u{l_replace_ligature_tl} } \l_replace_text_tl
    
    \f_replace:
    
    \regex_replace_all:nnN { \u{l_replace_ligature_tl} } { \u{l_replace_utf_tl} } \l_replace_text_tl
    
    \tl_use:N \l_replace_text_tl
}

Responder1

O problema é que para uma correspondência tem que haver um limite de palavra \b, isso significa uma mudança de \w-class para \Wou vice-versa.

Mas l3regexatualmente não oferece suporte a Unicode completo. A classe \wcontém apenas ascii [A-Za-z0-9\_]. Isso significa que o ß(ou mais precisamente os dois bytes que compõem o ß) pertence, \Wassim como o período e, portanto, Grieß.não corresponde.

informação relacionada