正则表达式匹配水平空白区域

Question

我需要Python2中的正则表达式才能匹配水平白色空格而不是换行符。

\ s匹配包括换行符在内的所有空格。

>>> re.sub(r"\s", "", "line 1.\nline 2\n")
'line1.line2'

\ h根本不起作用。

>>> re.sub(r"\h", "", "line 1.\nline 2\n")
'line 1.\nline 2\n'

[\ t]有效，但我不确定我是否遗漏了其他可能的空白字符，特别是在Unicode中。如\ u00A0（非破空间）或\ u200A（发空间）。以下链接中有更多空白字符。 https://www.cs.tut.fi/~jkorpela/chars/spaces.html

>>> re.sub(r"[\t ]", "", u"line 1.\nline 2\n\u00A0\u200A\n", flags=re.UNICODE)
u'line1.\nline2\n\xa0\u200a\n'

你有什么建议吗？

Answer 1

我最终使用[^ \ S \ n]而不是指定所有Unicode空格。

>>> re.sub(r"[^\S\n]", "", u"line 1.\nline 2\n\u00A0\u200A\n", flags=re.UNICODE)
u'line1.\nline2\n\n'

>>> re.sub(r"[\t ]", "", u"line 1.\nline 2\n\u00A0\u200A\n", flags=re.UNICODE)
u'line1.\nline2\n\xa0\u200a\n'

它按预期工作。

Answer 2

如果您只想匹配实际空格，请尝试使用简单的( )+（括号仅为了可读性*）。如果要匹配空格和制表符，请尝试[ \t]+（+，以便您也匹配例如3个空格字符的序列。

现在在unicode中实际上有其他空白字符，这是真的。但是，您很可能不会遇到任何书面代码中的任何内容，并且在其他文本中也不太可能遇到任何不太常见的空白字符。

如果你愿意，你可以包括\u00A0（不间断的空间，在科学论文和一些网站上相当常见。这是HTML  ），en-space \u2002（ ），em-space \u2003（ ）或稀薄的空间\u2009（ ）。

您可以在Wikipedia上找到各种其他unicode空白字符，但我非常怀疑是否有必要包含它们。我只是坚持空间，标签和可能不间断的空间（即[ \t\u00A0]+）。

无论如何，你打算与\h匹配什么？据我所知，它不是正则表达式中的有效“符号”。

* Stackoverflow不在内联代码的边缘显示空格

Answer 3

由于垂直空白字符（行终止符）少于水平空格字符，因此将第一类别列入黑名单比将第二类别列入白名单更短。但你仍然需要列出a few more而不仅仅是\n：

[^\S\n\v\f\r\u2028\u2029]