python - 匹配任何语言的字母

Question

如何在 python 3 中使用正则表达式匹配来自任何语言的字母？

re.match([a-zA-Z]) 将匹配英文字符，但我希望同时支持所有语言。

我不想匹配 can't 中的 ' 或下划线或任何其他类型的格式。我确实希望我的正则表达式匹配:c、a、n、t、Å、é 和中。

Answer 1

对于 Python 中的 Unicode 正则表达式，我强烈推荐以下内容:

1. 使用 Matthew Barnett’s regex library而不是标准 re ，这不太适合 Unicode 正则表达式。
2. 仅使用 Python 3，绝不使用 Python 2。您希望所有字符串都是 Unicode 字符串。
3. 仅使用具有逻辑/抽象 Unicode 代码点的字符串文字，而不是编码字节字符串。
4. 在您的流上设置编码，然后忘记它。如果您发现自己曾经手动调用 .encode因此，您几乎可以肯定做错了什么。
5. 仅使用代码点和代码单元相同的宽构建，永远不要使用窄构建——为了 Unicode 的稳健性，您最好考虑弃用。
6. 在传入时将所有传入字符串规范化为 NFD，然后在传出时规范化为 NFC。否则你无法获得可靠的行为。

完成此操作后，您可以安全地编写包含 \w 的模式或 \p{script=Latin}或 \p{alpha}和 \p{lower}等等，知道这些都会做什么 the Unicode Standard says they should .我更详细地解释了 Python Unicode 正则表达式业务的所有这些业务 in this answer .简短的故事是始终使用 regex不是re .

对于一般的 Unicode 建议，我还有 several talks from last OSCON关于 Unicode 正则表达式，其中大部分内容除了第 3 次单独讨论之外与 Python 无关，但其中大部分内容是可适应的。

最后，总有 this answer将对上帝(或至少对 Unicode)的敬畏放在心上。