如何在正则式中使用Unicode

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(参考2.9小节)。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’>>>

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。