Question

尝试编写将验证由

组成的字符串的python正则表达式

任何unicode字母数字字符（包括组合字符）
任意数量的空格字符
任意数量的下划线
任意数量的破折号
任意数量的期间

我的测试字符串：

9 Melodía.de_la-montaña
9 Melodía.de_la-montaña

或使用ascii()生成的字符串文字：

str1 = '9 Melod\xeda.de_la-monta\xf1a'
str2 = '9 Melodi\u0301a.de_la-montan\u0303a'

这些看起来相同但不是，一个是标准化的，另一个使用组合字符进行变形。

这是我的第一次尝试：

import re

reg = re.compile("^[\w\.\- ]+$", re.IGNORECASE)
re.search(reg, str1) # None
re.search(reg, str2) # None

如果我删除了位置限定符并使用findall而不是search，我会得到类似['9 Melodi', 'a.de_la-montan', 'a']或['9 Melod', 'a.de_la-monta', 'a']的列表。

我甚至尝试re.compile("^[\w\.\- ]+$", re.IGNORECASE | re.UNICODE)虽然在python 3中这是不必要的吗？

在搜索答案时，我发现this question和this one以及this one和this one但是它们都很旧，处理python 2，似乎建议我写的正则表达式应该工作。 python 3.5正则表达式文档提到\w应匹配unicode但不提供涉及非ASCII文本的实际示例。

如何匹配所需的字符串？

Answer 1

你的第一个样本Data匹配得很好; operator=包含所有 Unicode字词字符，包括带重音符号的拉丁字符。

您可以使用unicodedata.normalize()将字符串规范化为合并后的表单，使用str1表单：

\w

请注意，不需要NFC标记，>>> import re >>> import unicodedata >>> str1 = '9 Melod\xeda.de_la-monta\xf1a' >>> str2 = '9 Melodi\u0301a.de_la-montan\u0303a' >>> reg = re.compile("^[\w\.\- ]+$") >>> reg.search(str1) <_sre.SRE_Match object; span=(0, 23), match='9 Melodía.de_la-montaña'> >>> reg.search(str2) is None True >>> reg.search(unicodedata.normalize('NFC', str2)) <_sre.SRE_Match object; span=(0, 23), match='9 Melodía.de_la-montaña'>不关心大小写。

Python字母数字unicode正则表达式没有按预期工作

1 个答案: