发布于 2015-08-30 07:47:06 | 106 次阅读 | 评论: 0 | 来源: 网络整理
默认情况下re模块已经对一些Unicode字符类有了基本的支持。 比如，d已经匹配任意的unicode数字字符了：
>>> import re
>>> num = re.compile('d+')
>>> # ASCII digits
>>> num.match('123')
<_sre.SRE_Match object at 0x1007d9ed0>
>>> # Arabic digits
>>> num.match('u0661u0662u0663')
<_sre.SRE_Match object at 0x101234030>
>>>
如果你想在模式中包含指定的Unicode字符，你可以使用Unicode字符对应的转义序列(比如uFFF或者UFFFFFFF)。 比如，下面是一个匹配几个不同阿拉伯编码页面中所有字符的正则表达式：
>>> arabic = re.compile('[u0600-u06ffu0750-u077fu08a0-u08ff]+')
>>>
当执行匹配和搜索操作的时候，最好是先标准化并且清理所有文本为标准化格式(参考2.9小节)。 但是同样也应该注意一些特殊情况，比如在忽略大小写匹配和大小写转换时的行为。
>>> pat = re.compile('strau00dfe', re.IGNORECASE)
>>> s = 'straße'
>>> pat.match(s) # Matches
<_sre.SRE_Match object at 0x10069d370>
>>> pat.match(s.upper()) # Doesn't match
>>> s.upper() # Case folds
'STRASSE'
>>>
混合使用Unicode和正则表达式通常会让你抓狂。 如果你真的打算这样做的话，最好考虑下安装第三方正则式库， 它们会为Unicode的大小写转换和其他大量有趣特性提供全面的支持，包括模糊匹配。