如何为正则表达式转义 unicode 字符串？答案

【问题标题】：How to escape unicode string for regular expressions?如何为正则表达式转义 unicode 字符串？
【发布时间】：2016-11-25 03:11:48
【问题描述】：

我需要基于 unicode 字符串构建一个 re 模式（例如，我有“word”，我需要类似 ^"word"| "word" 的东西）。但是，“单词”可以包含特殊的 re 字符。要按原样匹配“单词”，我需要转义 unicode 字符串中的特殊 re 字符。基本的 re.escape() 函数可以处理 ascii 字符串。我怎样才能为 unicode 做到这一点？

【问题讨论】：

你能给minimal reproducible example，而不是描述吗？
re.escape() 确实适用于 Unicode 字符串。你能举一个没有给出正确结果的例子吗？
在 python 2.7 中，转义函数是这样实现的：` _alphanum = freezeset( "abcdefghijklmnopqrstuvwxyzABCDEFGHIJKLMNOPQRSTUVWXYZ0123456789") def escape(pattern): "Escape all non-alphanumeric characters in pattern." s = list(pattern) alphanum = _alphanum for i, c in enumerate(pattern): if c not in alphanum: if c == "\000": s[i] = "\\000" else: s[i] = "\\" + c 返回模式[:0].join(s) `
好的，我同意它插入了许多不必要的反斜杠。但它们也不会损害正则表达式的正确性，是吗？
谢谢，re.escape() 确实有效，我没有意识到这一点。我只是忘记了“|”后面的括号。

标签： python regex unicode escaping

【解决方案1】：

re.escape() 在每个不是 ASCII 字母数字的字符之前插入一个反斜杠。这实际上可能会导致插入大量不必要的反斜杠，但是，Python 会忽略不启动可识别转义序列的反斜杠，因此不会造成太大的损害（除了可能会造成一些性能损失）。

但如果你想建立更严格的escape()，你可以：

def escape(s):
    return re.sub(r"[(){}\[\].*?|^$\\+-]", r"\\\g<0>", s)

它只涉及实际的正则表达式元字符。我当然希望我没有错过任何一个:)

【讨论】：