具有 unicode 范围的 Python 正则表达式匹配不在范围内的字符

Question

我正在使用正则表达式从文本中删除“项目符号点”。这些要点通常是在 unicode 范围内找到的符号，例如几何形状 (\u25a0-\u25ff) 或类似符号。以下是此类项目符号的示例:

 ◉ This is a bullet ♦︎ This is also a bullet ☉ And so is thisThis is not a bullet.

我使用以下正则表达式来匹配这些要点:


\s*([\u00a4\u00b7]|[\u2010-\u2017]|[\u2020-\u206f]|[\u2300-\u23f3]|[\u25a0-\u25ff]|[\u2600-\u26ff] |[\u2700-\u27bf]|[\u2b00-\u2bff])\s*


这在 Ruby 中有效(请参阅 http://rubular.com/r/O7ZObURmlt 中的示例)，但在 Python 中它匹配任何字符串的第一个字符。例如，匹配字符串 This is not aBullet 中的 T 字符。您可以将上述正则表达式和示例文本复制到 http://www.pythonregex.com/亲自看看这个。

正则表达式是使用 UNICODE 标志编译的。

如何让 Python 的正则表达式引擎能够很好地处理这个表达式？

Answer 1

使生成表达式的字符串采用 unicode 格式，以便将序列解释为 unicode 字符，而不是普通的 u、2、0，等等。请尝试以下操作:

regex = re.compile(u"\s*([\u00a4\u00b7]|[\u2010-\u2017]|" + \
    "[\u2020-\u206f]|[\u2300-\u23f3]|[\u25a0-\u25ff]|" + \
    "[\u2600-\u26ff]|[\u2700-\u27bf]|[\u2b00-\u2bff])\s*", re.UNICODE)

而且您很可能没有使用 Python 3.*，其中所有字符串都是 unicode AFAIK。