具有unicode范围的Python正则表达式匹配不在范围内的字符

Question

我正在使用正则表达式从文本中删除“子弹点”。这些项目符号通常是在unicode范围内找到的符号，例如几何形状（\ u25a0- \ u25ff）或类似物。以下是这种子弹的一个例子：

 ◉ This is a bullet
 ♦︎ This is also a bullet
 ☉ And so is this

This is not a bullet.

我正在使用以下正则表达式来匹配这些要点：

\s*([\u00a4\u00b7]|[\u2010-\u2017]|[\u2020-\u206f]|[\u2300-\u23f3]|[\u25a0-\u25ff]|[\u2600-\u26ff]|[\u2700-\u27bf]|[\u2b00-\u2bff])\s*

这适用于Ruby（参见http://rubular.com/r/O7ZObURmlt的示例），但在Python中它匹配任何字符串的第一个字符。例如，字符串T中的This is not a bullet字符匹配。您可以将上面的正则表达式和示例文本复制到http://www.pythonregex.com/以便自己查看。

使用UNICODE标志编译正则表达式。

如何让Python的正则表达式引擎在这个表达式中发挥出色？

Answer 1

使生成表达式的字符串为unicode，以便将序列解释为unicode字符，而不是普通u，2，0等。请尝试以下方法：

regex = re.compile(u"\s*([\u00a4\u00b7]|[\u2010-\u2017]|" + \
    "[\u2020-\u206f]|[\u2300-\u23f3]|[\u25a0-\u25ff]|" + \
    "[\u2600-\u26ff]|[\u2700-\u27bf]|[\u2b00-\u2bff])\s*", re.UNICODE)

你很可能不使用Python 3. *，其中所有字符串都是unicode AFAIK。