如何指定 unicode 字符范围

Question

如何指定从

' '

（空格）到

\u00D7FF

的 unicode 字符范围？

我有一个像

r'[\u0020-\u00D7FF]'

这样的正则表达式，它不会编译，因为它是一个错误的范围。我是 Unicode 正则表达式的新手，所以以前没有遇到过这个问题。

有没有办法让这个编译或者我忘记或还没学过的正则表达式？

Answer 1

您的 unicode 范围的语法不会达到您的预期。

1. 原始

   r''

   字符串会阻止

   \u

   转义被解析，并且正则表达式引擎不会执行此操作。该集合中唯一的范围是

   [0-\]

   :

   >>> re.compile(r'[\u0020-\u00d7ff]', re.DEBUG)
   in
     literal 117
     literal 48
     literal 48
     literal 50
     range (48, 117)
     literal 48
     literal 48
     literal 100
     literal 55
     literal 102
     literal 102
   

2. 将其设为 Unicode 文字会导致

   \u

   解析，同时保留其他反斜杠（尽管这不是这里的问题），但前导零将其搞乱。语法为

   \uxxxx

   或

   \Uxxxxxxxx

   ，因此解析为“

   \u00d7

   ,

   f

   ,

   f

   ”。

   >>> re.compile(ur'[\u0020-\u00d7ff]', re.DEBUG)
   in
     range (32, 215)
     literal 102
     literal 102
   

3. 删除前导零或切换到

   \U0000d7ff

   将修复它：

   >>> re.compile(ur'[\u0020-\ud7ff]', re.DEBUG)
   in
     range (32, 55295)
   

Answer 2

如果您使用的是 Python 2.x，则应确保指定一个 unicode 字符串（使用 u'' 或内置的“unicode”）：

>>> r = re.compile(u'[\u0020-\uD7FF]')
>>> r.search(u'foo \uD7F0 bar')
<_sre.SRE_Match object at 0xb7084950>
r.search(u' ')
<_sre.SRE_Match object at 0xb7084b48>

使用原始字符串（就像你一样，使用 r''）会得到由“backlines”+字母“u”加上数字 0 加...组成的 (ascii) 字符串。