Question

有人可以解释一下正则表达式的这种行为：

当我用一些其他Unicode字符替换Unicode字符串的最后两个字符时，它在字符串末尾的行边界（$）下工作正常但如果我指定{{1}则会产生意外结果方括号$。

字边界[$]也会产生意想不到的结果，令人惊讶\b与\B匹配的内容相匹配。

\b

Answer 1

re.sub的签名是：

sub(pattern, repl, string, count=0, flags=0)

re.U标志正传递给count，因此re.U标志不执行任何操作。确保使用关键字参数，如：

re.sub(ur'\u06cc\u0670\b', u'\u0627', line, flags=re.U)
#                                           ^~~~~~

[…]定义了一个字符类，$在括号内并不特殊。因此[$]只会匹配一个字面的美元符号。
\b匹配单词（“\ w”）和非单词（“\ W”，或字符串的开头/结尾）之间的边界，\B匹配任何地方那不是\b。现在，\u0670是Unicode中的非单词：
```
>>> re.findall(ur'\w', line, flags=re.U)
[u'\u0627', u'\u062f', u'\u0646', u'\u06cc']
>>> re.findall(ur'\W', line, flags=re.U)
[u'\u0670']
```
这意味着\u0670之后的字符串结尾不是字边界，因为\u0670不是单词。因此\b无法与之匹配，这意味着\B将与之匹配。

Unicode中\w的含义是“[0-9_]加上Unicode字符属性数据库中的classified as alphanumeric”。

像U + 06CC（阿拉伯字母波斯语）这样的字符被归类为字母，其他（Lo）所以它是一个单词，但是U + 0670（阿拉伯字母Superscript Alef）被归类为< strong> Mark，Nonspacing（Mn）因此

（您可以在https://docs.python.org/2/library/re.html）

对于以下评论，您可以使用negative look-ahead代替小组：

re.sub(ur'(?:[\u06cc\u06d2]\u0670|\u0670[\u06cc\u06d2])(?!\w)', u'\u0627', line, flags=re.U)

下面，

[\u06cc\u06d2]\u0670|\u0670[\u06cc\u06d2]与您的\u06cc\u0670|\u06d2\u0670|\u0670\u06cc|\u0670\u06d2相同，但类似的案例组合在一起
(?:…)定义non-capturing group，以便您可以从更改中提取所需的“\ b”
(?!\w)表示只有在下一个字符不是单词时才匹配。

结果如下：

>>> re.sub(u'(?:[\u06cc\u06d2]\u0670|\u0670[\u06cc\u06d2])(?!\w)', u'\u0627', line, flags=re.U)
u'\u0627\u062f\u0646\u0627'
>>> re.sub(u'(?:[\u06cc\u06d2]\u0670|\u0670[\u06cc\u06d2])(?!\w)', u'\u0627', line + u'\u0646', flags=re.U)
u'\u0627\u062f\u0646\u06cc\u0670\u0646'
>>> re.sub(u'(?:[\u06cc\u06d2]\u0670|\u0670[\u06cc\u06d2])(?!\w)', u'\u0627', line + u'\u061f', flags=re.U)
u'\u0627\u062f\u0646\u0627\u061f'

使用Unicode字符串的正则表达式字边界的意外行为

1 个答案: