Python 2与Python 3正则表达式匹配行为

Question

Python 3

import re

P = re.compile(r'[\s\t]+') 
re.sub(P, ' ', '\xa0 haha')
' haha' 

Python 2

import re

P = re.compile(r'[\s\t]+')
re.sub(P, u' ', u'\xa0 haha')
u'\xa0 haha'

我希望Python 3的行为，但在Python 2代码中。为什么正则表达式模式无法与Python 2中的\xa0之类的类似空格的代码点匹配，但在Python 3中正确匹配这些代码点？

Answer 1

使用re.UNICODE标志：

>>> import re
>>> P = re.compile(r'[\s\t]+', flags=re.UNICODE)
>>> re.sub(P, u' ', u'\xa0 haha')
u' haha'

没有标志，只匹配ASCII空格; \xa0不是ASCII标准的一部分（它是Latin-1代码点）。

{3}中的re.UNICODE标志是默认标志;如果你想要Python 2（字节串）行为，请使用re.ASCII。

请注意，在字符类中包含\t没有意义; \t已经是\s类的一部分，因此以下内容将与完全相同的输入匹配：

P = re.compile(r'\s+', flags=re.UNICODE)