Question

我目前正试图弄清楚如何在Python中的正则表达式中使用Unicode。

我想要开始工作的正则表达式如下：

r"([A-ZÜÖÄß]+\s)+"

这应包括多个大写单词的所有出现，其中可能有也可能没有变音符号。 Funnily enouth它几乎可以做我想要的，但它仍然忽略了变形金刚。

例如，在FUßBALL AND MORE中只应检测到BALL AND MORE。

我已经尝试过简单地使用Unicode表示形式（Ü变成\u00DC等），因为它在另一个线程中被建议，但这也不起作用。相反，我可能会尝试使用“正则表达式”库而不是“重新”，但我很想知道我现在做错了什么。

如果您能够启发我，请随时这样做。

Answer 1

使用Unicode字符串。确保您的源以声明的编码保存：

#coding:utf8
import re

for s in re.finditer(ur"[A-ZÜÖÄß]+",u"FUßBALL AND MORE"):
    print s.group()

输出：

FUßBALL
AND
MORE

如果没有Unicode字符串，您的字节字符串将在源文件的编码中。如果是UTF-8，则对于非ASCII，它们是多字节的。在狭窄的Python构建中，您仍然会遇到Unicode字符串问题，但前提是您使用Unicode代码点＆gt; U + FFFF（例如表情符号），因为它们将使用UTF-16代理（两个代码点）进行编码。在这种情况下，切换到解决问题的最新Python 3.x并且所有Unicode代码点的长度都为1.

Python正则表达式和Unicode

1 个答案: