【问题标题】:A python regex that matches the regional indicator character class匹配区域指示符字符类的 python 正则表达式
【发布时间】:2016-12-30 16:52:08
【问题描述】:

表情符号中的标志由一对Regional Indicator Symbols 表示。我想编写一个 python 正则表达式来在一串表情符号标志之间插入空格。

例如,这个字符串是两个巴西国旗:

u"\U0001F1E7\U0001F1F7\U0001F1E7\U0001F1F7"

这会像这样呈现:????????????????

我想在任意一对区域指标符号之间插入空格。像这样的:

re.sub(re.compile(u"([\U0001F1E6-\U0001F1FF][\U0001F1E6-\U0001F1FF])"),
       r"\1 ", 
       u"\U0001F1E7\U0001F1F7\U0001F1E7\U0001F1F7")

这会导致:

u"\U0001F1E7\U0001F1F7 \U0001F1E7\U0001F1F7 "

但是那个代码给了我一个错误:

sre_constants.error: bad character range

提示(我认为)出了什么问题,这表明 \U0001F1E7 在正则表达式中变成了两个“字符”:

re.search(re.compile(u"([\U0001F1E7])"),
          u"\U0001F1E7\U0001F1F7\U0001F1E7\U0001F1F7").group(0)

这会导致:

u'\ud83c'

遗憾的是,我对 unicode 的理解太薄弱,无法进一步进步。

编辑:我在 Mac 上使用 python 2.7.10。

【问题讨论】:

  • 它给了我这个:'???????? ?????? ' 第一次尝试在 python 3.5.1 中。
  • 此代码适用于arch linux上的python2.7。

标签: python regex unicode


【解决方案1】:

我相信您在 Windows 或 Mac 中使用 Python 2.7,它具有窄的 16 位 Unicode 构建 - Linux/Glibc 通常具有 32 位完整 unicode,Python 3.5 在所有平台上都具有宽 Unicode。

您看到的是一个代码被拆分为一对代理项。不幸的是,这也意味着您不能轻易地使用单个字符类来完成这项任务。然而,它仍然是可能的。 U+1F1E6 (?)的UTF-16表示是\uD83C\uDDE6,U+1F1FF (?)的UTF-16表示是\uD83C\uDDFF。

我什至根本无法访问此类 Python 构建,但您可以尝试

\uD83C[\uDDE6-\uDDFF]

作为单个[\U0001F1E6-\U0001F1FF] 的替代品,因此您的整个正则表达式将是

(\uD83C[\uDDE6-\uDDFF]\uD83C[\uDDE6-\uDDFF])

字符类不起作用的原因是它试图从第一个代理对的后半部分到第二个代理对的前半部分创建一个范围 - 这失败了,因为范围的开始是按字典顺序大于结尾。

但是,这个正则表达式仍然无法在 Linux 上运行,您需要使用那里的原始表达式,因为 Linux 构建默认使用宽 unicode。


或者,将您的 Windows Python 升级到 3.5 或更高版本。

【讨论】:

    猜你喜欢
    • 2020-11-29
    • 2011-11-28
    • 1970-01-01
    • 2014-08-01
    • 2020-03-11
    • 2016-09-02
    • 2022-11-23
    • 1970-01-01
    • 2011-11-20
    相关资源
    最近更新 更多