我从文件中获取数据：
words = re.findall(r'[\w]+',self._from.encode('utf8'),re.U)
如果文件包含：
你好你好吗？
那么结果将是：
['你好你好吗']
但如果文件包含俄语（即西里尔符号），则：
Привет, как дела?
在这种情况下，结果是：
['\xd0', '\xd1', '\xd0', '\xd0\xb2\xd0\xb5\xd1', '\xd0\xba\xd0', '\xd0\xba', '\xd0', '\xd0\xb5\xd0', '\xd0']
为什么？什么？我已经添加了：
sys.setdefaultencoding('utf-8')
我正在使用 python2.7 和 linux ubuntu。
words = re.findall(r'[\w]+',self._from.decode('utf8'),re.U)
print u" ".join(words)
要用于\w+匹配字母数字unicode字符，您应该将模式和文本都传递给.unicodeunicodere.findall
在 Python2 中：
假设您正在从文件中读取字节（不是文本），您应该解码字节以获得unicode：
uni = 'Привет, как дела?'.decode('utf-8')
ur'(?u)\w+'是一个原始的 unicode 文字。尽管这里没有必要，但对正则表达式模式使用原始 unicode/字符串文字通常是一个好习惯——它允许您避免在某些字符之前需要双反斜杠，例如\s.
正则表达式模式ur'(?u)\w+' 包含 Unicode 标志，它告诉依赖于 Unicode 字符属性数据库re.findall。\w
import re
uni = 'Привет, как дела?'.decode('utf-8')
print(re.findall(ur'(?u)\w+', uni))
产生一个包含 3 个 unicode “单词”的列表：
[u'\u041f\u0440\u0438\u0432\u0435\u0442',
u'\u043a\u0430\u043a',
u'\u0434\u0435\u043b\u0430']
在 Python3 中：
大体原理是一样的，只是Python2 中的sunicode现在 Python3 中str的 s，并且不再尝试在两者之间进行自动转换。因此，再次假设您正在从文件中读取字节（而不是文本），您应该解码字节以获得 a str，并使用str正则表达式模式：
import re
uni = b'\xd0\x9f\xd1\x80\xd0\xb8\xd0\xb2\xd0\xb5\xd1\x82, \xd0\xba\xd0\xb0\xd0\xba \xd0\xb4\xd0\xb5\xd0\xbb\xd0\xb0?'.decode('utf')
print(re.findall(r'(?u)\w+', uni))
产量
['Привет', 'как', 'дела']
我的解决方案：
txt = re.findall(r'[А-я]+', data)
А-я - 俄语字母
如果您省略了您得到的编码部分，您正在获取一个已经是 unicode 的字符串并将其编码为 unicode：
line = u"Привет, как дела?"
words = re.findall(r'[\w]+',line ,re.U)
# words = [u'\u041f\u0440\u0438\u0432\u0435\u0442', u'\u043a\u0430\u043a', u'\u0434\u0435\u043b\u0430']
print words[0]
# prints Привет
请参阅 UTF Cyrillic 块以精确定义正则表达式：
大多数代码点都在一个范围内，但有些不在：
re.compile('[А-Яа-яЁё]+')
re.fullmatch("[А-Яа-яЁё ]+", "Ёжик в тумане")
此外，您可能希望根据需要包含Ѣ ѣ(Ять) 或其他旧符号。
如果self._from是unicode字符串，则应将其直接传递给re.findall（带有re.U标志）。如果是 utf8 编码的str字符串，则需要将decode其转换为unicode字符串。您不应该将非 asciistr字符串传递给re.
Ё 字母的俄语字母解决方案（不包括在 А-Я 范围内）
import re
text = 'Ё-моё Привет! 2121 как дела?'
re.findall(r'[А-яЁё]+', text)
# => ['Ё', 'моё', 'Привет', 'как', 'дела']