为什么“\p{L}”在这个正则表达式中不起作用？

Question

操作系统：Windows 7。Jython 2.7.0“最终版本”。

for token in sorted_cased.keys():
    freq = sorted_cased[ token ]
    if freq > 1:
        print( 'token |%s| unicode? %s' % ( token, isinstance( token, unicode ), ) )
        if re.search( ur'\p{L}+', token ):
            print( '  # cased token |%s| freq %d' % ( token, freq, ))

sorted_cased 是一个显示令牌出现频率的字典。在这里，我试图清除频率 > 1 的单词（仅限 unicode 字符）。（注意，我使用的是re.match 而不是search，但search 应该检测到事件1，例如\p{L} token)

样本输出：

token |Management| unicode? True
token |n| unicode? True
token |identifiés| unicode? True
token |décrites| unicode? True
token |agissant| unicode? True
token |tout| unicode? True
token |sociétés| unicode? True

没有人认识到它有一个 [p{L}]。我尝试了各种排列方式：双引号、添加 flags=re.UNICODE 等。

稍后 我被要求解释为什么不能将其归类为 How to implement \p{L} in python regex 的重复项。可以，但是...其他问题的答案并没有引起人们注意使用 REGEX MODULE （旧版本？非常新版本？注意它们是不同的）而不是 RE 模块。为了保存毛囊和未来遇到这个问题的人的理智，我要求允许保留本段，尽管问题是“欺骗”。

我也尝试安装 Pypi 正则表达式模块 在 JYTHON 下失败（使用 pip）。使用 java.util.regex 可能更好。

Answer 1

如果您可以访问 Java java.util.regex，最好的选择是使用内置的 \p{L} 类。

Python（包括 Jython 方言）不支持 \p{L} 和其他 Unicode 类别类。也不是 POSIX 字符类。

另一种选择是限制\w 类，如(?![\d_])\w 并使用UNICODE 标志。 If UNICODE is set, this \w will match the characters [0-9_] plus whatever is classified as alphanumeric in the Unicode character properties database.。这种替代方案有一个缺陷：它不能在字符类中使用。

另一个想法是使用[^\W\d_]（带有re.U标志）将匹配任何不是非单词（\W）、数字（\d）和_字符的字符。它将有效地匹配任何 Unicode 字母。