使用 sed 以希腊语编码包装/替换句子

Question

我有一个UTF8编码的txt文件，包含（大部分）拉丁字母的单词（包括重音字母）和（一些）希腊语单词（包括变音符号）。

我想找到所有希腊语"句子"（即希腊字母表中的单词，用空格和/或常用标点符号分隔，但没有拉丁字符），并用相同的句子替换它们，但包装在\greektext{...}中LaTeX 命令。

E.g. Пάτριος πολιτεία

should be replace by \greektext{Пάτριος πολιτεία}

那么，基本问题是，是否有可能用sed选择希腊词组，即上面定义的希腊语"句子"。

Answer 1

我认为像这样的正则表达式可能会让您伸张正义：

/([u0370-u03FFu0400-u04FF]+s+[u0370-u03FFu0400-u04FF]+)+/

u0370-u03FF是希腊语和科普特语块，u0400-u04FF是西里尔语块。

对所有指定的字符执行charinfo，这些块将涵盖您：

% charinfo Пάτριος πολιτεία
U+041F CYRILLIC CAPITAL LETTER PE [Lu]
U+03AC GREEK SMALL LETTER ALPHA TONOS [Ll]
U+03C4 GREEK SMALL LETTER TAU [Ll]
U+03C1 GREEK SMALL LETTER RHO [Ll]
U+03B9 GREEK SMALL LETTER IOTA [Ll]
U+03BF GREEK SMALL LETTER OMICRON [Ll]
U+03C2 GREEK SMALL LETTER FINAL SIGMA [Ll]
U+03C0 GREEK SMALL LETTER PI [Ll]
U+03BF GREEK SMALL LETTER OMICRON [Ll]
U+03BB GREEK SMALL LETTER LAMBDA [Ll]
U+03B9 GREEK SMALL LETTER IOTA [Ll]
U+03C4 GREEK SMALL LETTER TAU [Ll]
U+03B5 GREEK SMALL LETTER EPSILON [Ll]
U+03AF GREEK SMALL LETTER IOTA TONOS [Ll]
U+03B1 GREEK SMALL LETTER ALPHA [Ll]

但是 AFAIK sed 不能很好地处理多字节字符。以下Perl脚本将起作用：

#!/usr/bin/perl -p
use open qw(:std :utf8);
s/([x{0370}-x{03FF}x{0400}-x{04FF}]+s+[x{0370}-x{03FF}x{0400}-x{04FF}]+)+/\greektext{$&}/u'

和用法：

perl my_script.pl < my_input > my_output