python - 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 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 « 

但目标是编写支持 Python2 和 Python3 的正则表达式。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

因为这是一个语法错误，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？

---

虽然 r' ' 可以很容易地替换为 u' ' 在这种情况下通过删除文字字符串。

为了理智起见，有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)

因此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解决它。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

出于特定原因，代码库不鼓励 unicode_literals 导入但使用 r' ' 表示法是因为填充它并对它们中的每一个进行更改将非常痛苦，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，需要一个 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 - 只需将您将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(生成 unicode 字符串)，因此您可以使用 r'([^\.])(\.)([\]\)}> "\'' u'»' r']*)\s*$'
在 Python 3 中，它们都是 unicode，因此也可以。