如何修改此正则表达式以不匹配不间断空格？答案

【问题标题】：How to modify this regular expression to not match a non-breaking space?如何修改此正则表达式以不匹配不间断空格？
【发布时间】：2016-07-04 07:06:57
【问题描述】：

我正在使用 John Gruber's regular expression 尝试匹配文档中的 URL。

我在 Python 中这样表示正则表达式：

URL_PATTERN = re.compile(ur'(?i)\b((?:https?://)(?:[^\s()<>]+|\(([^\s()<>]+|(\([^\s()<>]+\)))*\))+(?:\(([^\s()<>]+|(\([^\s()<>]+\)))*\)|[^\s`!()\[\]{};:\'".,<>?\xab\xbb\u201c\u201d\u2018\u2019]))')

这是here找到的版本的修改版本。

这在大多数情况下都很有效，除了包含不间断空格的文档。在 Python 中，我认为这表示为 \xc2\xa0。

这是我试图解析的示例字符串；希望这些字符能完整地粘贴：

Go to https://example.com to log in.

如果我在 Python 中只打印那个字符串，我会得到：

In [100]: string
Out[100]: 'Go to\xc3\x82\xc2\xa0https://example.com\xc3\x82\xc2\xa0to log in.'
In [101]: URL_PATTERN.search(string).groups()
Out[102]: ('https://example.com\xc3\x82\xc2\xa0to', None, None, None, None)

我尝试匹配的字符串是str，而不是unicode。

如何修改这个正则表达式以不匹配这个字符？我尝试将\xc2\xa0 放入正则表达式末尾附近的^ 否定字符类中，但它仍然将URL 与空格字符匹配。

【问题讨论】：

您可能必须将\u00A0 添加到您拥有[^\s] 的否定字符类中。此外，在 Python 2.x 中测试 Unicode 字符有点麻烦，因为您经常需要 encode / decode。
@WiktorStribiżew 您可以添加您的评论作为答案，以便我接受吗？您的建议有效，但我还必须添加\u00c2。我还添加了使用re.compile(ur'(?iu)... 指定“unicode”模式

标签： python regex python-2.7

【解决方案1】：

为避免匹配带有不间断空格的 URL，您需要将 \u00A0 添加到否定字符类 [^\s] 并在编译模式时传递 re.U 标志：

URL_PATTERN = re.compile(ur'(?i)\b(https?://(?:[^\u00A0\s()<>]+|\(([^\u00A0\s()<>]+|(\([^\u00A0\s()<>]+\)))*\))+(?:\(([^\u00A0\s()<>]+|(\([^\u00A0\s()<>]+\)))*\)|[^\u00A0\s`!()\[\]{};:\'".,<>?\xab\xbb\u201c\u201d\u2018\u2019]))', re.U)
                                                 ^^^^^^              ^^^^^^              ^^^^^^                           ^^^^^^            ^^^^^^                  ^^^^^^                                                            ^^^^

【讨论】：

我还得加\u00c2
它代表Â，这通常是一个损坏的不间断空间。
@WiktorStribiżew 它没有损坏。这就是encoded in UTF-8 的不间断空间。
@Piotr：在本地化行业，当客户收到带有Â 的翻译而不是文本中的空格时，他们会说“您为什么提供损坏的翻译”？ 从普通用户的角度来看，这是损坏的文本。