2.10 在正则中使用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：

import re
num=re.compile('\d+')
print(num.match('123'))  # -><re.Match object; span=(0, 3), match='123'>
print(num.match('\u0661\u0662\u0663')) # -><re.Match object; span=(0, 3), match='١٢٣'>

​ 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\uFFFFFF)。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：

print(re.compile('[\u0660-\u06ff\u0750-\u077f\u08a0-\u08ff]+'))  #->re.compile('[٠-ۿݐ-ݿࢠ-ࣿ]+')

​ 当执行匹配的搜索操作的时候，最好是先标准化并且清理所有文本为标准化格式。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。

pat=re.compile('stra\u00dfe',re.IGNORECASE)
s='straße'
print(pat.match(s))  # -><re.Match object; span=(0, 6), match='straße'>
print(pat.match(s.upper()))   # ->None
print(s.upper())  # ->STRASSE