正则表达式 - python 中文正则表达问题

问题描述

问 题

#-- coding: UTF-8 --

company_regexp=re.compile("[^(代理)]有{0,1}限{0,1}公司")
string="有限公司"
t=company_regexp.findall(string)
print t

这样是失败的，但是改成

company_regexp=re.compile(u"[^(代理)]有{0,1}限{0,1}公司")
string=u"有限公司"

还是失败的，为何汉字后面加了匹配符号就不能匹配？
更奇怪的是，

company_regexp=re.compile("有限公司")
string="有限公司"

这样两个utf-8，却能匹配了
望师傅指教！

解决方案

第一个失败是因为string的确不符合pattern。
第二个是能成功的，请重试。
第三个也能成功，原因后解释。

解释前必须快速讲一下：python2设计年代主流英文，主流是ascii，而中文用原有的编码表位置不够，后来有了gbk，最后全球统一得出unicode，主要是位数不一样。后来经过了时代的变迁，技术也随着潮流发生变化，从而将默认的字符串编码方式改为适应任何一种语言的unicode。python3只是把unicode取代原有python2的str并把名字也拿了过来自己改名为str，并成为字符串的默认编码方式（在python3无需再加任何前缀，晋身贵族阶层），而原有的默认编码str被迫更名为byte，并且沦为二等公民以后都要加上前缀b来加以识别。现在看看第一个：

[已下皆为python2]

（1）
由于是中文，而题主没有用u告知是unicode，所以依然按照str模式（即python3的byte模式）来解释。
有{0,1}限{0,1}公司会被解释为

'\xe6\x9c\x89{0,1}\xe9\x99\x90{0,1}\xe5\x85\xac\xe5\x8f\xb8'

[^(代理)]会被解释为：

'[^(\xe4\xbb\xa3\xe7\x90\x86)]'

虽然加了（）表示一个整体，共1位，虽然后面字符串没有出现禁用的字符，然而位数不正确，恰好差了前面的那一位。如果把string改成"n有限公司","x有限公司","b有限公司"就都能通过。

（2）

第二种加上u后能正确识别。有{0,1}限{0,1}公司为：

u'\u6709{0,1}\u9650{0,1}\u516c\u53f8'

re模块能正确识别出unicode的{0,1}正则应取多少位，无问题。

（3）

第三种：

为什么不加u反而可以呢？因为它们一模一样。虽然编码方式错误，但编码方式只要一致输出就是一样的，"有限公司"都是：

\xe6\x9c\x89\xe9\x99\x90\xe5\x85\xac\xe5\x8f\xb8

所以，第一个编码方式错误且不符合正则，第二个编码方式正确也符合正则，第三个编码方式错误但符合正则。而re的任务就是去判断正则是否match。所以后面2个会通过。

以上只是简单测试得出的结论，要是有错还望赐教。

这篇关于正则表达式 - python 中文正则表达问题的文章就介绍到这了，希望我们推荐的答案对大家有所帮助，也希望大家多多支持IT屋！