蟒正则表达式匹配Unicode属性蟒正则表达式匹配Unicode属性(Python regex ma

Perl和其他一些当前的正则表达式引擎支持Unicode属性，如类别，在一个正则表达式。例如，在Perl中你可以使用\p{Ll}匹配任意小写字母，或p{Zs}任何空格分隔符。我看不出在Python中的任何2.x的，也不3.X线这一支持（由于遗憾）。是任何人知道一个很好的策略，以获得类似的效果吗？自制的解决方案是受欢迎的。

Answer 1:

您是否尝试过Ponyguruma ，一个Python绑定到Oniguruma正则表达式引擎？在发动机，你可以简单地说\p{Armenian}匹配亚美尼亚字符。 \p{Ll}或\p{Zs}工作过。

Answer 2:

该正则表达式模块（与标准的替代re模块）支持与Unicode的码点属性\p{}语法。

Answer 3:

你可以在每个角色煞费苦心使用unicodedata：

import unicodedata

def strip_accents(x):
    return u''.join(c for c in unicodedata.normalize('NFD', x) if unicodedata.category(c) != 'Mn')

Answer 4:

说到自主开发的解决方案，前一段时间我写了一个小程序来做到这一点-写转换为Unicode类别\p{...}到值的范围，从Unicode的提取规范（v.5.0.0）。只有类别支持（例如： L ， Zs ），并仅限于BMP。我在这里张贴万一有人觉得它有用（虽然这Oniguruma似乎真的是更好的选择）。

实例：

>>> from unicode_hack import regex
>>> pattern = regex(r'^\\p{Lu}(\\p{L}|\\p{N}|_)*')
>>> print pattern.match(u'ÁñÇ_1+2').group(0)
ÁñÇ_1
>>>

这里的来源。还有一个JavaScript版本，使用相同的数据。

Answer 5:

你说得对，Unicode的财产类不是由Python正则表达式解析器的支持。

如果你想做一个好的黑客，这将是通常有用，你可以创建一个扫描这种类令牌的字符串（预处理器\p{M}或其他），并与相应的字符集替换它们，因此，对于例如， \p{M}将成为[\u0300–\u036F\u1DC0–\u1DFF\u20D0–\u20FF\uFE20–\uFE2F] ，和\P{M}将成为[^\u0300–\u036F\u1DC0–\u1DFF\u20D0–\u20FF\uFE20–\uFE2F]

人们会感谢你。 :)