为 Python2 和 Python3 编写 unicode 正则表达式

Question

我可以在 Python2 中使用ur'something'和re.U标志来编译正则表达式模式，例如：

$ python2
Python 2.7.13 (default, Dec 18 2016, 07:03:39) 
[GCC 4.2.1 Compatible Apple LLVM 8.0.0 (clang-800.0.42.1)] on darwin
Type "help", "copyright", "credits" or "license" for more information.
>>> import re
>>> pattern = re.compile(ur'(«)', re.U)
>>> s = u'«abc «def«'
>>> re.sub(pattern, r' \1 ', s)
u' \xab abc  \xab def \xab '
>>> print re.sub(pattern, r' \1 ', s)
 « abc  « def « 

在 Python3 中，我可以避免使用u'something'甚至re.U标志：

$ python3
Python 3.5.2 (default, Oct 11 2016, 04:59:56) 
[GCC 4.2.1 Compatible Apple LLVM 8.0.0 (clang-800.0.38)] on darwin
Type "help", "copyright", "credits" or "license" for more information.
>>> import re
>>> pattern = re.compile(r'(«)')
>>> s = u'«abc «def«'
>>> print( re.sub(pattern, r' \1 ', s))
 « abc  « def « 

但目标是编写正则表达式，使其同时支持 Python2 和 Python3。 在 Python3 中执行ur'something'会导致语法错误：

>>> pattern = re.compile(ur'(«)', re.U)
  File "<stdin>", line 1
    pattern = re.compile(ur'(«)', re.U)
                               ^
SyntaxError: invalid syntax

由于这是一个语法错误，即使在声明模式之前检查版本在 Python3 中也不起作用：

>>> import sys
>>> _pattern = r'(«)' if sys.version_info[0] == 3 else ur'(«)'
  File "<stdin>", line 1
    _pattern = r'(«)' if sys.version_info[0] == 3 else ur'(«)'
                                                             ^
SyntaxError: invalid syntax

如何对正则表达式进行 unicode 以同时支持 Python2 和 Python3？

---

尽管在这种情况下，通过删除文字字符串， r' '可以很容易地被u' '替换。

为了理智起见，有一些复杂的正则表达式需要r' ' ，例如

re.sub(re.compile(r'([^\.])(\.)([\]\)}>"\'»]*)\s*$', re.U), r'\1 \2\3 ', s)

所以解决方案应该包括文字字符串r' '用法，除非有其他方法可以绕过它。 但请注意，使用字符串文字或unicode_literals或来自__future__是不受欢迎的，因为它会导致大量其他问题，尤其是。 在我使用的代码库的其他部分，请参阅http://python-future.org/unicode_literals.html

由于代码库不鼓励 unicode_literals 导入但使用r' '符号的特定原因是因为填充它并对它们中的每一个进行更改将是非常痛苦的，例如

• https://github.com/nltk/nltk/blob/develop/nltk/tokenize/treebank.py
• https://github.com/nltk/nltk/blob/develop/nltk/tokenize/moses.py

Answer 1

你真的需要原始字符串吗？ 对于您的示例，需要 unicode 字符串，但不需要原始字符串。 原始字符串很方便，但不是必需的 - 只需将您在原始字符串中使用的任何\加倍并使用纯 unicode。

Python 2 允许将原始字符串与 unicode 字符串连接（产生 unicode 字符串），因此您可以使用r'([^\.])(\.)([\]\)}>"\'' u'»' r']*)\s*$'
在 Python 3 中，它们都是 unicode，所以也可以。

Answer 2

["

if sys.version_info.major == 2:
    pattern = eval("re.compile(ur'(\u00ab)', re.U)")
else:
    pattern = re.compile(r'(«)', re.U)