Question

我很惊讶我无法在正则表达式中匹配德国变音符号。我尝试了几种方法，大多数涉及设置区域设置，但到目前为止无济于事。

locale.setlocale(locale.LC_ALL, 'de_DE.UTF-8')
re.findall(r'\w+', 'abc def g\xfci jkl', re.L)
re.findall(r'\w+', 'abc def g\xc3\xbci jkl', re.L)
re.findall(r'\w+', 'abc def güi jkl', re.L)
re.findall(r'\w+', u'abc def güi jkl', re.L)

这些版本都没有与\w+正确匹配umlaut-u（ü）。同时删除re.L标志或使用u为模式字符串添加前缀（使其成为unicode）对我没有帮助。

有什么想法吗？标志re.L如何正确使用？

Answer 1

您是否尝试使用re.UNICODE标记，如doc中所述？

>>> re.findall(r'\w+', 'abc def güi jkl', re.UNICODE)
['abc', 'def', 'g\xc3\xbci', 'jkl']

快速搜索指向此thread，提供了一些解释：

re.LOCALE只是将角色传递给底层C库。它实际上只适用于每个字符有1个字节的字节串。 UTF-8 将ASCII范围之外的代码点编码为每个字节数代码点，re模块将每个字节视为一个分开的角色。

Answer 2

在我的情况下，\S给了我比\w更好的结果，并将文件保存为utf-8，再加上使用re.UNICODE

正则表达式匹配中的变音符号（通过语言环境？）

2 个答案: