在 Python 中转义正则表达式 unicode 字符串

Question

我有一个用户定义的字符串。 我想在 regex 中使用它并稍作改进：搜索三个撇号而不是一个。 例如，

APOSTROPHES = re.escape('\'\u2019\u02bc')
word = re.escape("п'ять")
word = ''.join([s if s not in APOSTROPHES else '[%s]' % APOSTROPHES for s in word])

它适用于拉丁语，但对于 unicode 列表理解给出以下字符串： "[\\\\'\\\\\\\’\\\\\\\ʼ]\\xd0[\\\\'\\\\\\\’\\\\\\\ʼ]\\xbf[\\\\'\\\\\\\’\\\\\\\ʼ][\\\\'\\\\\\\’\\\\\\\ʼ][\\\\'\\\\\\\’\\\\\\\ʼ]\\xd1[\\\\'\\\\\\\’\\\\\\\ʼ]\\x8f[\\\\'\\\\\\\’\\\\\\\ʼ]\\xd1[\\\\'\\\\\\\’\\\\\\\ʼ]\\x82[\\\\'\\\\\\\’\\\\\\\ʼ]\\xd1[\\\\'\\\\\\\’\\\\\\\ʼ]\\x8c"

看起来它在两个字符串中都找到了反斜杠，然后替换了 APOSTROPHES

此外， print(list(w for w in APOSTROPHES))给出['\\\\', "'", '\\\\', '\\\\', 'u', '2', '0', '1', '9', '\\\\', '\\\\', 'u', '0', '2', 'b', 'c'] 。

我怎样才能避免它？ 我想得到"\\п[\\'\’\ʼ]\\я\\т\\ь"

Answer 1

我的理解是：您想创建一个正则表达式，可以将给定的单词与任何撇号匹配：

匹配任何撇号的 RegEx 可以定义在一个组中：

APOSTROPHES_REGEX = r'[\'\u2019\u02bc]'

例如，您有这个（乌克兰语？）单词，其中包含一个单引号：

word = "п'ять"

编辑：如果您的单词包含另一种撇号，您可以将其标准化，如下所示：

word = re.sub(APOSTROPHES_REGEX , r"\'", word, flags=re.UNICODE)

要创建正则表达式，您需要转义这个字符串（因为在某些情况下，它可以包含特殊字符，如标点符号，我认为）。 转义时，单引号 "'" 被转义的单引号替换，如下所示：r"\\'"。

你可以用你的撇号 RegEx 替换这个 r"\\'" ：

import re
word_regex = re.escape(word)
word_regex = word_regex.replace(r'\'', APOSTROPHES_REGEX)

然后可以使用新的 RegEx 将同一个单词与任何撇号匹配：

assert re.match(word_regex, "п'ять")  # '
assert re.match(word_regex, "п’ять")  # \u2019
assert re.match(word_regex, "пʼять")  # \u02bc

注意：不要忘记使用re.UNICODE标志，它会帮助你处理一些 RegEx 字符类，比如 r"\\w"。