Python regex\w与组合音调符号不匹配?

我刚注意到一个新的“ regex re 包装)。

在unicode方面,它似乎有更多的可能性。例如,它支持 \X ,用于匹配单个grapheme(无论是否使用组合)。它还支持unicode属性、块和脚本的匹配,因此您可以使用 \p{M} 指组合标记。这个 \十 前面提到的相当于 \P{M}\p{M}* (不是组合符号的字符,后跟零个或多个组合符号)。

注意,这使得 \十 差不多相当于 . \w 对你来说, \w\p{M}*

它(目前)是一个非stdlib包,我不知道它准备得有多好(而且它不是二进制发行版),但是您可能想尝试一下,因为它似乎是对您的问题最简单/最“正确”的答案(否则,我认为您应该明确地使用字符范围,如我对上一个答案的评论所述)。

另请参见 this page 有了关于unicode正则表达式的信息,它还可能包含一些对您有用的信息(并且可以作为regex包中实现的一些东西的文档)。

你可以用 unicodedata.normalize 把变音符号组合成一个unicode字符。

>>> import re
>>> from unicodedata import normalize
>>> re.match(u"a\w\w\wz", normalize("NFC", u"aoo\u0301oz"), re.UNICODE)
<_sre.SRE_Match object at 0x00BDCC60>

我知道你说过你不想规范化,但我认为这个解决方案不会有问题,因为你只是规范化要匹配的字符串,而不必更改文件名本身或其他什么。