regex - 正则表达式 - 在 Python 中指定高 Unicode 代码点

Question

在 Python 3.3 中，我在正则表达式中使用 Unicode 代码点范围没有问题：

>>> import re
>>> to_delete = '[\u0020-\u0090\ufb00-\uffff]'
>>> s = 'abcdABCD¯˘¸ðﺉ﹅ffl你我他'
>>> print(s)
abcdABCD¯˘¸ðﺉ﹅ffl你我他
>>> print(re.sub(to_delete, '', s))
¯˘¸ð你我他

它干净简单。但是，如果我包含五个十六进制数字的代码点，也就是说，任何高于 的代码点\uffff，例如\u1047f，作为以四个十六进制数字开头的范围的一部分，我会收到一个错误：

>>> to_delete = '[\u0020-\u0090\ufb00-\u1047f]'
>>> print(re.sub(to_delete, '', s))
...
sre_constants.error: bad character range

如果我开始一个新的五位数范围没有错误，但我也没有得到预期的行为：

>>> to_delete = '[\u0020-\u0090\ufb00-\uffff\u10000-\u1047f]'
>>> print(re.sub(to_delete, '', s))
你我他

（这些符号分别是代码点\u10000、\u10308和\u10192，应该在最后一次re.sub操作中被替换。）

---

按照接受的答案的说明：

>>> to_delete = '[\u0020-\u0090\ufb00-\uffff\U00010000-\U0001047F]'
>>> print(re.sub(to_delete, '', s))
¯˘¸ð你我他

完美的。丑到极点，但完美。

Answer 1

\u仅支持 16 位代码点。您需要使用 32 位版本，\U. 请注意，它需要 8 位数字，因此您必须在前面加上几个 0（例如\U00010D2B）。

来源：http ://docs.python.org/3/howto/unicode.html#unicode-literals-in-python-source-code