Question

在我的聊天应用TalkTalkTalk中，对于用户名，我只允许使用字母数字字符（A-Z，a-z，0-9）：

username = re.sub(r'\W+', '', username)        # regex to keep alphanumeric only

这有点过于严格，因为UTF8字符在很多情况下都很有用（名字使用另一个字母而不是latin等）。现在我想允许其他字母表中的这些有用的UTF8字符，甚至是❤☀☆☂☻♞☯☭things。（为什么不呢？）

但我不想要：

所有类型的空格，各种换行符（
）
看起来像空的零宽度字符的恶意字符：http://unicode-table.com/fr/200D/
等。更常见的是，每个字符都可以使userA<malicious_char>看起来像真userA。

哪些是可打印的UTF8字符？（用于用户名）

如何使用正则表达式过滤它们，例如在Python中？

注意：这个问题是关于找到一个正则表达式来过滤它们，所以它不是一些链接问题的重复。

Answer 1

您可以在正则表达式中使用标记re.UNICODE和unicode，\ u200b在技术上不是定义为空格

python 2.7和3

import re
username = u'My \u200bNick \u2602 \u263b \u200c '
white_chars = ['\s', u'\u200b',u'\u200c']     #etc
regex_str = '[' + ''.join(white_chars) + ']'
regex = re.compile(regex_str, flags=re.UNICODE)
regex.sub("", username )
print ( regex.sub("", username ) )

你得到了

u'MyNick\u2602\u263b'
MyNick☂☻

关于可打印的UTF8字符（用于用户名）是否存在共识？

1 个答案: