Python 與 Unicode 規則表示式

就規則表示式本身的發展歷史來說，早期並不支援 Unicode，例如預定義字元類早期就未考量 Unicode 規範，像是 \w 預設只比對 ASCII 字元，在其他程式語言中，可能必須藉由 API 設定為支援 Unicode 模式，才能比對 ASCII 字元以外的字元。

Unicode 模式

Python 3 預設就支援 Unicode 模式，對於 BMP 外的字元，從 Python 3.3 以後，撰寫規則表示式時，可支援 \Uhhhhhhhh 表示。

預定義字元類在比對上不限於 ASCII 字元，例如 \w 就可以比對中文字元：

>>> re.search(r'\w', '林')
<re.Match object; span=(0, 1), match='林'>
>>>

類似地，\d 在Python中，預設並不只比對 ASCII 數字 0 至 9，𝟏𝟐𝟑𝟜𝟝𝟞𝟩𝟪𝟫𝟬𝟭𝟮𝟯𝟺𝟻𝟼 也可以比對成功，如果你撰寫 .py 內容如下，執行結果會顯示 True：

import re

matched = re.findall(r'\d', '𝟏𝟐𝟑𝟜𝟝𝟞𝟩𝟪𝟫𝟬𝟭𝟮𝟯𝟺𝟻𝟼');
print(matched == list('𝟏𝟐𝟑𝟜𝟝𝟞𝟩𝟪𝟫𝟬𝟭𝟮𝟯𝟺𝟻𝟼'))

ASCII 旗標

如果想令預定義字元類僅支援 ASCII，例如令 \d 等同於 [0-9]，\s 等同於 [\t\n\x0B\f\r]，\w 等同於 [a-zA-Z0-9_]，必須設置 re.ASCII 旗標（flag），例如：

regex = re.compile(r'your_regex', re.ASCII)

或者使用 (?i) 行內旗標（Inline flag）：

regex= re.compile('(?i)your_regex')

碼點範圍

在〈認識 Unicode〉談過 Unicode 字元的分類（Category）、文字（Script）等，Python 沒有直接提供對應的 escape 表示，必須自行組織，例如測試漢字時常使用 CJK Unified Ideographs（包含正體中文、簡體中文與日文、韓文、越南文等漢字），可以使用 r'[\u4E00-\u9FFF]'：

>>> import re
>>> re.findall(r'[\u4E00-\u9FFF]', '林')
['林']
>>>