python - 使用 Python2 的正则表达式中的 Unicode 类

Question

是否可以？

此代码适用于Python3：

In [1]: import re

In [2]: re.split(r'\W+', 'Les Misérables')
Out[2]: ['Les', 'Misérables']

但它在Python2中不起作用：

In [1]: import re

In [2]: re.split(r'\W+', u'Les Misérables')
Out[2]: [u'Les', u'Mis', u'rables']

这也不起作用（在具有es_ES.UTF-8语言环境的 Linux 上测试）：

In [1]: import locale

In [2]: locale.setlocale(locale.LC_ALL, 'es_ES.UTF-8')
Out[2]: 'es_ES.UTF-8'

In [3]: import re

In [4]: re.split(ur'\W+', u'Les Misérables', re.U|re.L)
Out[4]: [u'Les', u'Mis', u'rables']

有没有办法让正则表达式在Python2中与 Unicode 一起工作？

注意：问题是关于获取 Unicode 感知匹配。我知道我可以只使用 ASCII 类重写上面的正则表达式来分隔单词。

Answer 1

你的错误是你在错误的地方添加了标志（标志应该是第四个参数）。

>>> import re
>>> re.split(r'(?u)\W+', u'Les Misérables')
[u'Les', u'Mis\xe9rables']
>>> re.split(ur'\W+', u'Les Misérables', 0, re.U)
[u'Les', u'Mis\xe9rables']

为了避免这些问题，我建议使用内联标志（(?u)如上）。