如何指定Unicode字符的范围

您的unicode范围的语法将不能满足您的期望。

1. 原始的 r'' 字符串阻止 \u 从被分析中逸出,而regex引擎不会这样做。这个集合中的唯一范围是 [0-\] :

   >>> re.compile(r'[\u0020-\u00d7ff]', re.DEBUG)
   in
     literal 117
     literal 48
     literal 48
     literal 50
     range (48, 117)
     literal 48
     literal 48
     literal 100
     literal 55
     literal 102
     literal 102
   

2. 使其成为Unicode文本 causes \u parsing while leaving other backslashes alone (虽然这不是一个问题),但前导零位把它弄乱了。语法是 \uxxxx 或 \Uxxxxxxxx ,所以它被解析为“ \u00d7 , f , F “。

   >>> re.compile(ur'[\u0020-\u00d7ff]', re.DEBUG)
   in
     range (32, 215)
     literal 102
     literal 102
   

3. 删除前导零或切换到 \U0000d7ff 将修复它:

   >>> re.compile(ur'[\u0020-\ud7ff]', re.DEBUG)
   in
     range (32, 55295)
   

如果您使用的是python 2.x,那么应该确保您指定的是unicode字符串(带有u“”或内置的“unicode”):

>>> r = re.compile(u'[\u0020-\uD7FF]')
>>> r.search(u'foo \uD7F0 bar')
<_sre.SRE_Match object at 0xb7084950>
r.search(u' ')
<_sre.SRE_Match object at 0xb7084b48>

使用原始字符串(如您所用,使用r“”)可以得到由“backstroke”+字母“u”加数字0+组成的(ASCII)字符串…