Python 正则表达式匹配 Unicode 属性

问题描述：

Perl 和一些其他当前的正则表达式引擎支持正则表达式中的 Unicode 属性，例如类别。例如，在 Perl 中，您可以使用p{Ll}来匹配任意小写字母，或p{Zs}任何空格分隔符。我没有在 Python 的 2.x 和 3.x 版本中看到对此的支持（非常遗憾）。有人知道获得类似效果的好策略吗？欢迎提出自己开发的解决方案。

解决方案 1：

regex模块（标准模块的替代品re）支持带有语法的 Unicode 代码点属性p{}。

解决方案 2：

您是否尝试过Ponyguruma，这是绑定到Oniguruma正则表达式引擎的 Python 工具？在该引擎中，您可以简单地说p{Armenian}匹配亚美尼亚字符。p{Ll}或者p{Zs}也可以。

解决方案 3：

您可以在每个字符上精心使用 unicodedata：

import unicodedata

def strip_accents(x):
    return u''.join(c for c in unicodedata.normalize('NFD', x) if unicodedata.category(c) != 'Mn')

解决方案 4：

说到自主开发的解决方案，前段时间我编写了一个小程序来做这件事 - 将写为 的 unicode 类别转换为从 unicode规范p{...}(v.5.0.0)中提取的一系列值。仅支持类别（例如：、），并且仅限于 BMP。我将其发布在这里以防有人觉得它有用（尽管 Oniguruma 确实似乎是一个更好的选择）。L`Zs`

使用示例：

>>> from unicode_hack import regex
>>> pattern = regex(r'^\\p{Lu}(\\p{L}|\\p{N}|_)*')
>>> print pattern.match(u'疂_1+2').group(0)
疂_1
>>>

这是源代码。还有一个JavaScript 版本，使用相同的数据。

解决方案 5：

您说得对，Python 正则表达式解析器不支持 Unicode 属性类。

如果你想做一个漂亮的黑客，那通常会很有用，你可以创建一个预处理器，扫描字符串以查找此类标记（p{M}或其他标记）并将它们替换为相应的字符集，例如，p{M}将变成[/u0300–/u036F/u1DC0–/u1DFF/u20D0–/u20FF/uFE20–/uFE2F]，并且P{M}将变成[^/u0300–/u036F/u1DC0–/u1DFF/u20D0–/u20FF/uFE20–/uFE2F]。

人们会感谢你的。:)

解决方案 6：

请注意，虽然p{Ll}在 Python 正则表达式中没有等效项，但p{Zs}应该由 覆盖'(?u)s'。(?u)正如文档所述，“使 \w、\W、\b、\B、\d、\D、\s 和 \S 依赖于 Unicode 字符属性数据库。” 和s表示任何空格字符。