python - 查找正则表达式、Unicode 模式

Answer 1

仅仅因为它具有非拉丁字符的页面并不意味着它是用 unicode 编码的（还有，哪种 unicode 编码？utf-8？utf-16？）。

此外，re.UNICODE可能不会像您认为的那样做。从文档：

使 `\w、\W、\b、\B、\d、\D、\s` 和 `\S` 依赖于 Unicode 字符属性数据库。

所有这一切意味着这些特定的字符类被更广泛地定义，它对源文本没有影响。

此外，编码定义-*- coding: utf-8 -*-只是指定源文件的编码。

最后，正如其中一条评论所指出的，� 可能是使用当前字体不支持的字符的结果。反过来，这可能是在文本以不同编码编码时假设某种编码的结果。

Answer 2

这可能不是一个“答案”，本身..但你可以尝试使用http://www.debuggex.com来调试你的正则表达式。