regex - Python3 中带反斜杠的正则表达式

Question

我试图用正则表达式匹配一个字符串中的特定子字符串，例如匹配 "\ue04a abc" 中的 "\ue04a"。但似乎有些不对劲。这是我的代码:

m = re.match('\\([ue]+\d+[a-z]+)', "\ue04a abc").

返回的 m 是一个空对象，即使我尝试在模式中使用三个反斜杠。怎么了？

Answer 1

Python 正则表达式中的反斜杠非常棘手。对于常规字符串(单引号或三引号)，有两次反斜杠解释:首先，Python 本身解释反斜杠(因此 "\t" 表示单个字符，文字制表符)然后结果是传递给正则表达式引擎，它对任何剩余的反斜杠都有自己的语义。

通常，强烈建议使用 r"\t"，因为这会移除 Python 字符串解析方面。这个带有 r 前缀的字符串不经过 Python 的解释——字符串中的每个字符都只代表它自己，包括反斜杠。因此，这个特定示例表示一个长度为 2 的字符串，其中包含文字字符反斜杠 \ 和 t。

从您的问题中不清楚目标字符串 "\ue04a abc" 是否应该被解释为长度为 5 且包含 Unicode 字符 U+E04A 的字符串(在 Private Use Area 中，又名 PUA，意味着它没有任何特定的标准用途)后跟空格、a、b、c——在这种情况下你会使用像

这样的东西

m = re.match(r'[\ue000-\uf8ff]', "\ue04a abc")

捕获传统 Basic Multilingual Plane 中的任何单个代码点PUA； -- 或者如果你想匹配以两个字符反斜杠 \ 和 u 开头，后跟四个十六进制数字的文字字符串:

m = re.match(r'\\u[0-9a-fA-F]{4}', r"\ue04a abc")

前者是 Python(以及大多数 Python 程序员)理解您的问题的方式，但这两种解释都是合理的。

上面显示了如何匹配“神秘序列”“\ue04a”；扩展代码以匹配包含此序列的更长字符串应该不难。