python - python 正则表达式中的字形支持

Question

我正在使用很棒的正则表达式模块，尝试它的\X字形支持。

首先，我尝试使用普通的旧.

>>> print regex.match('.', 'Ä').group(0)

>>> print regex.match('..', 'Ä').group(0)
Ä

它按预期进行。继续前进\X

>>> print regex.match('\X', 'Ä').group(0)

>>> print regex.match('\X\X', 'Ä').group(0)
Ä

为什么和 一样.？一个单曲不\X应该足以捕捉 A-umlaut 吗？是吗：

• 我对字形或含义的理解\X是错误的？
• 我需要先打开一些标志/开关？（我查了文档，没找到）
• 我的环境有什么问题吗？（Python 2.7.3，pip 报告 regex==2014.12.24）
• 图书馆里的虫子？
• 还有什么？

Answer 1

它通过定义Ä为 unicode 字符来工作。

>>> print regex.match('.', u'Ä').group()
Ä
>>> print regex.match('\X', u'Ä').group()
Ä

Python 2 和 Python 3 之间的主要区别在于处理文本和字节的基本类型。在 Python 3 上，我们有一种文本类型：str它保存 Unicode 数据和两种字节类型 bytes 和 bytearray。

另一方面，在 Python 2 上，我们有两种文本类型：str出于所有意图和目的，它们仅限于 ASCII + 7 位范围以上的一些未定义数据，unicode 相当于 Python 3 的 str 类型和一个字节类型的 bytearray继承自 Python 3。

参考 - https://docs.python.org/2/howto/unicode.html#python-2-xs-unicode-support

Answer 2

问题是默认情况下 python2 字符串是字节字符串，这对 unicode 字形没有意义。如果您指定使用 unicode 字符串，它将完美地工作。

>>> print(regex.match('\X', 'Ä').group(0))

>>> print(regex.match('\X', u'Ä').group(0))
Ä

在 python3 中，默认字符串是 unicode，要指定字节字符串，您应该在前面加上b这样的b"mybytestring"