「Python 秘籍」在正则式中使用 Unicode

关注RPA请访问网站：
www.i-search.com.cn
学Python,用RPA,欢迎下载使用
www.i-search.com.cn/index.html?from=line1

问题
你正在使用正则表达式处理文本，但是关注的是 Unicode 字符处理。

解决方案
默认情况下 re 模块已经对一些 Unicode 字符类有了基本的支持。 比如， \d 已经匹配任意的 unicode 数字字符了：

import re
num = re.compile(’\d+’)

ASCII digits

num.match(‘123’)
<_sre.SRE_Match object at 0x1007d9ed0>

Arabic digits

num.match(’\u0661\u0662\u0663’)
<_sre.SRE_Match object at 0x101234030>

如果你想在模式中包含指定的 Unicode 字符，你可以使用 Unicode 字符对应的转义序列 ( 比如 \uFFF 或者 \UFFFFFFF )。 比如，下面是一个匹配几个不同阿拉伯编码页面中所有字符的正则表达式：

arabic = re.compile(’[\u0600-\u06ff\u0750-\u077f\u08a0-\u08ff]+’)

当执行匹配和搜索操作的时候，最好是先标准化并且清理所有文本为标准化格式。 但是同样也应该注意一些特殊情况，比如在忽略大小写匹配和大小写转换时的行为。

pat = re.compile(‘stra\u00dfe’, re.IGNORECASE)
s = ‘straße’
pat.match(s) # Matches
<_sre.SRE_Match object at 0x10069d370>

pat.match(s.upper()) # Doesn’t match
s.upper() # Case folds
‘STRASSE’

讨论
混合使用 Unicode 和正则表达式通常会让你抓狂。 如果你真的打算这样做的话，最好考虑下安装第三方正则式库， 它们会为 Unicode 的大小写转换和其他大量有趣特性提供全面的支持，包括模糊匹配。