python re（regex）是否有unicode转义序列的替代方法？

Question

Python将\uxxx视为字符串文本中的unicode字符转义（例如，u“\u2014”被解释为unicode字符u+2014）。但我刚刚发现（Python2.7）标准regex模块没有将\uxxx视为unicode字符。示例：

codepoint = 2014 # Say I got this dynamically from somewhere

test = u"This string ends with \u2014"
pattern = r"\u%s$" % codepoint
assert(pattern[-5:] == "2014$") # Ends with an escape sequence for U+2014
assert(re.search(pattern, test) != None) # Failure -- No match (bad)
assert(re.search(pattern, "u2014")!= None) # Success -- This matches (bad)

显然，如果您能够将正则表达式模式指定为字符串文本，那么您可以产生与正则表达式引擎本身可理解的\uxxx转义符相同的效果：

^{pr2}$

但是如果你需要动态地构建你的模式呢？在

Answer 1

一种可能是，与其直接调用re方法，不如将它们包装在可以理解\u代表它们的转义符的东西中。像这样：

def my_re_search(pattern, s):
    return re.search(unicode_unescape(pattern), s)

def unicode_unescape(s):
        """
        Turn \uxxxx escapes into actual unicode characters
        """
        def unescape_one_match(matchObj):
                escape_seq = matchObj.group(0)
                return escape_seq.decode('unicode_escape')
        return re.sub(r"\\u[0-9a-fA-F]{4}", unescape_one_match, s)

it工作示例：

^{2}$

感谢Process escape sequences in a string in Python指出了解码（“unicode_escape”）的想法。在

但请注意，您不能仅仅通过解码（“unicode_escape”）来抛出整个模式。它有时会起作用（因为大多数regex特殊字符在前面加反斜杠时不会改变它们的含义），但一般情况下不起作用。例如，这里使用decode（“unicode_escape”）会改变正则表达式的含义：

pat = r"C:\\.*\u20ac" # U+20ac is the euro sign
>>> print pat
C:\\.*\u20ac # Asks for a literal backslash

pat_revised  = pat.decode("unicode_escape")
>>> print pat_revised
C:\.*€ # Asks for a literal period (without a backslash)

Answer 2

使用^{} function从代码点创建unicode字符：

pattern = u"%s$" % unichr(codepoint)