Go 的 regexp 包中 w 默认仅匹配 ASCII 字符（0–9、A–Z、a–z 和下划线），无法识别 Unicode 字母（如俄语、捷克语等），需改用 Unicode 字符类 p{L} 并显式补充数字与下划线。
go 的 `regexp` 包中 `w` 默认仅匹配 ascii 字符（0–9、a–z、a–z 和下划线），无法识别 unicode 字母（如俄语、捷克语等），需改用 unicode 字符类 `p{l}` 并显式补充数字与下划线。
在 Go 中处理多语言文本时，一个常见误区是直接沿用其他语言（如 Python 或 JavaScript）中 w+ 的行为——期望它能自动匹配所有 Unicode 字母。但 Go 的正则引擎（基于 RE2 语法）对 w 的定义非常严格：它等价于 [0-9A-Za-z_]，完全不支持 Unicode 属性。因此，面对 "Раз, два три!" 或 "Jedna, dva tři čtyři pět!" 这类含西里尔文或带重音拉丁字母的文本，w+ 会失败：前者返回空切片（因无 ASCII 字母），后者将 tři 拆成 t、i、ty、i 等碎片（因 ř、č、ě 等重音字符不被 w 认可，被当作分隔符切割）。
✅ 正确解法是使用 Unicode 字符属性类（Unicode property class）：
- p{L} 表示“任意 Unicode 字母”（Letter），涵盖拉丁、西里尔、希腊、汉字、阿拉伯文等所有文字系统的字母；
- 若还需支持数字和下划线（即保持与 w 的语义兼容），应显式组合为 [p{L}d_]+。
以下是修复后的完整示例代码：
package main
import (
"fmt"
"regexp"
)
func getWordsFrom(text string) []string {
// ✅ 使用 Unicode 字母类 + 数字 + 下划线
re := regexp.MustCompile(`[p{L}d_]+`)
return re.FindAllString(text, -1)
}
func main() {
text := "One, two three!"
text2 := "Раз, два три!"
text3 := "Jedna, dva tři čtyři pět!"
fmt.Println(getWordsFrom(text)) // [One two three]
fmt.Println(getWordsFrom(text2)) // [Раз два три]
fmt.Println(getWordsFrom(text3)) // [Jedna dva tři čtyři pět]
}? 关键说明与注意事项：
- 正则字符串必须使用反引号（`）或双反斜杠：[p{L}d_]+ 在反引号中可直接写 p{L}；若用双引号，则需转义为 "\p{L}"。
- p{L} 不包含连接符或撇号（如 don't、état 中的 ' 或 -），若需保留这些符号作为单词一部分，需额外扩展字符类（例如 [p{L}d_'-]+），但要注意避免过度匹配（如连字符出现在词首/词尾时可能引入噪声）。
- 性能考量：Unicode 属性匹配比 ASCII 范围略慢，但在常规文本处理中差异可忽略；如需极致性能且语言范围固定（如仅俄语），也可用显式字符集 [u0400-u04FFd_]+，但牺牲通用性与可维护性。
- 替代方案提醒：若目标仅为“按标点与空白分割单词”，且无需复杂规则，strings.FieldsFunc() 配合自定义分隔逻辑（如 !unicode.IsLetter(r) && !unicode.IsDigit(r) && r != '_'）亦是轻量可靠的选择，尤其适合简单清洗场景。
总之，拥抱 p{L} 是 Go 多语言文本处理的基石实践——它让正则真正“国际化”，而非仅限于 ASCII 世界。
