python3-cookbook/source/c02/p10_work_with_unicode_in_regexp.rst

===========================
2.10 在正则式中使用Unicode
===========================

----------
问题
----------
你正在使用正则表达式处理文本，但是关注的是Unicode字符处理。

----------
解决方案
----------
默认情况下 ``re`` 模块已经对一些Unicode字符类有了基本的支持。
比如， ``\\d`` 已经匹配任意的unicode数字字符了：

.. code-block:: python

    >>> import re
    >>> num = re.compile('\d+')
    >>> # ASCII digits
    >>> num.match('123')
    <_sre.SRE_Match object at 0x1007d9ed0>
    >>> # Arabic digits
    >>> num.match('\u0661\u0662\u0663')
    <_sre.SRE_Match object at 0x101234030>
    >>>

如果你想在模式中包含指定的Unicode字符，你可以使用Unicode字符对应的转义序列(比如 ``\uFFF`` 或者 ``\UFFFFFFF`` )。
比如，下面是一个匹配几个不同阿拉伯编码页面中所有字符的正则表达式：

.. code-block:: python

    >>> arabic = re.compile('[\u0600-\u06ff\u0750-\u077f\u08a0-\u08ff]+')
    >>>

当执行匹配和搜索操作的时候，最好是先标准化并且清理所有文本为标准化格式(参考2.9小节)。
但是同样也应该注意一些特殊情况，比如在忽略大小写匹配和大小写转换时的行为。

.. code-block:: python

    >>> pat = re.compile('stra\u00dfe', re.IGNORECASE)
    >>> s = 'straße'
    >>> pat.match(s) # Matches
    <_sre.SRE_Match object at 0x10069d370>
    >>> pat.match(s.upper()) # Doesn't match
    >>> s.upper() # Case folds
    'STRASSE'
    >>>

----------
讨论
----------
混合使用Unicode和正则表达式通常会让你抓狂。
如果你真的打算这样做的话，最好考虑下安装第三方正则式库，
它们会为Unicode的大小写转换和其他大量有趣特性提供全面的支持，包括模糊匹配。