Python中的正则表达式与Unicode：sub与findall的区别

Question

我在调试我的Python（2.7）脚本时遇到了一些麻烦。我发现使用sub和findall来识别特殊字符时，结果不一样。

这是我的代码：

>>> re.sub(ur"[^-' ().,\w]+", '' , u'Castañeda', re.UNICODE)
u'Castaeda'
>>> re.findall(ur"[^-' ().,\w]+", u'Castañeda', re.UNICODE)
[]

当我使用findall时，它能正确识别ñ是一个字母字符，但当我用sub时，它却把这个字符替换掉了，把它当成了非字母字符。

我已经通过使用findall配合string.replace得到了正确的功能，但我觉得这不是个好办法。此外，我还想使用re.split，但我在这方面也遇到了和re.sub一样的问题。

提前感谢大家的帮助。

Answer 1

re.sub的调用方式是：

re.sub(pattern, repl, string, count=0)

所以

re.sub(ur"[^-' ().,\w]+", '' , u'Castañeda', re.UNICODE)

将count设置为re.UNICODE，它的值是32。

你可以试试：

In [57]: re.sub(ur"(?u)[^-' ().,\w]+", '', u'Castañeda')
Out[57]: u'Casta\xf1eda'

在正则表达式的开头加上(?u)，这是一种在正则表达式中指定re.UNICODE标志的替代方法。你也可以用这种方式设置其他标志(?iLmsux)。（想了解更多，可以点击这个链接，然后搜索“(?iLmsux)”。）

同样，re.split的调用方式是：

re.split(pattern, string, maxsplit=0)

解决方法是一样的。