带有 unicode 字符的 Python 正则表达式错误？

Posted 2023-02-23

【中文标题】带有 unicode 字符的 Python 正则表达式错误？

【英文标题】：Python regex with unicode characters bug?

【发布时间】：2011-04-06 03:49:15

【问题描述】：

长话短说：

>>> re.compile(r"\w*").match(u"Français")
<_sre.SRE_Match object at 0x1004246b0>
>>> re.compile(r"^\w*$").match(u"Français")
>>> re.compile(r"^\w*$").match(u"Franais")
<_sre.SRE_Match object at 0x100424780>
>>> 

为什么它在正则表达式中不匹配带有^ 和$ 的unicode 字符的字符串？据我了解，^ 代表字符串（行）的开头，$ - 代表字符串的结尾。

【参考方案1】：

你需要指定UNICODE flag，否则\w就相当于[a-zA-Z0-9_]，不包括字符'ç'。

>>> re.compile(r"^\w*$", re.U).match(u"Fran\xe7ais")
<_sre.SRE_Match object at 0x101474168>

【讨论】：

为什么这个麦芽汁：>>> re.compile(r"\w*").match(u"Français")?

@ak: 你确定匹配返回Français 而不是Fran 吗？请注意，如果没有 $，正则表达式直到最后才会匹配。

\w* 将完全匹配任何内容。 * 匹配 0 次或多次。