Question

"token_pattern": r"(?u)\b\w\w+\b",

问题1）：“？u”是否表示unicode？为什么会有问号？

问题2）：w +表示要匹配的1个或多个单词。那为什么还需要另一个“ \ w”呢？

Answer 1

问题1：是正确的，它代表“ Unicode”。 (?_)表示法是使用正则表达式标志的一种方法。这等效于re.compile(r'\b\w\w+\b', re.UNICODE)。

问题2：正如@verandaguy在评论中指出的那样，这将确保比赛中至少有2个单词字符。 \w{2,}等同于\w\w+。不过，我没有任何理由使用后者，除非您想单独捕获第一个字符。我想\w\w+实际上比\w{2,}少一个字符，但是它不那么优雅，而且使imo更加混乱。

Here's a helpful resource用于编写和分析正则表达式。