用CP1252编码的文件的正则表达式

Question

我有一个CP1252编码的文本文件，我使用python regex匹配模式。例如，以下文本可以由正则表达式字符串'1\s*(\w*)\s*(<.*$)'

匹配

1   kAMpleksa       <fs af='kAMpleksa,unk,,,,,,'>

但是当文本中包含特殊字符（如下文中带重音的“U”）时，正则表达式无法匹配。

1   aBiyukÙwa       <fs af='aBiyuk,unk,,,,,,'>

我正在使用python的codecs模块使用以下语法从文件中读取文本：

codecs.open('/home/abcl/TokenOutput.wx', 'r', 'cp1252')

任何想法，如何去做？

Answer 1

这适用于我的两台机器，但我正在复制并粘贴文本，因此可能会发生一些无形的翻译。你试过设置unicode标志吗？如在

'(?u)1\s*(\w*)\s*(<.*$)'

或

re.match(r, t, flags=re.U).group()

Answer 2

您忘记在标记中指定re.U。