Python中的正則表達式和Unicode：sub和findall之間的差異

Question

我在嘗試找出Python（2.7）腳本中的錯誤時遇到困難。我在使用sub和findall來區別特殊字符。

下面是代碼：

>>> re.sub(ur"[^-'().,\w]+", '' , u'Castañeda', re.UNICODE) 
u'Castaeda' 
>>> re.findall(ur"[^-'().,\w]+", u'Castañeda', re.UNICODE) 
[] 

當我使用的findall，它正確地看到N作爲一個字母，但是當我使用分吧替換本 - 把它當作一個非字母字符。

我已經能夠使用findall與string.replace獲得正確的功能，但這似乎是一個不好的解決方案。另外，我想使用re.split，並且遇到與re.sub相同的問題。

在此先感謝您的幫助。

Answer 1

的re.sub調用簽名是：

re.sub(pattern, repl, string, count=0) 

所以

re.sub(ur"[^-'().,\w]+", '' , u'Castañeda', re.UNICODE) 

被設置count到re.UNICODE，其值32

嘗試，而不是：

In [57]: re.sub(ur"(?u)[^-'().,\w]+", '', u'Castañeda') 
Out[57]: u'Casta\xf1eda' 

在正則表達式開始處放置(?u)是在正則表達式本身中指定re.UNICODE標誌的替代方法。您也可以通過這種方式設置其他標誌 (?iLmsux)。 （欲瞭解更多信息請點擊this link並搜索 「（iLmsux）？」）。

同樣，re.split調用簽名是：

re.split(pattern, string, maxsplit=0) 

的解決方案是一樣的。