正則表達式——Unicode 匹配規則

  通常來講，數字字符解釋[0-9]，單詞字符就是[0-9a-zA-Z_]，空白字符則包括空格、回車等字符，但這是 ASCII 編碼中的狀況，在 Unicode 編碼中並不是如此。

  由於包括了多種語言和字符，因此在 Unicode 編碼中，全角數字0、一、2之類也算做「數字字符」，能夠由\d匹配；中文字符，也能夠算做「單詞字符」，由\w匹配；一樣的道理，中文的全角空格（碼值爲30 ff），也能夠算做「空白字符」，由\s匹配。因此，若是在 Python 2 中指定了正則表達式使用 Unicode 模式（最簡單的方式解釋在正則表達式的開頭指定模式修飾符(?u)），\d，\w，\s就能匹配全角數字、中文字符、全角空格。對於這種狀況，本書中稱爲 Unicode 匹配規則；相應地，以前 ASCII 編碼中的匹配，稱爲 ASCII 匹配規則。

Unicode 模式下\d、\w、\s的匹配

簡記法	ASCII 匹配規則	Unicode 匹配規則
\w	[0-9a-zA-Z_]	[\p{Ll}\p{Lu}\p{Lt}\p{Lo}\p{Lm}\p{Nd}\p{Pc}]
\d	[0-9]	[\p{Nd}]
\s	\t,\n,\v,\f,\r,\x20	[\f\n\r\t\v\x85\p{Z}]

  注：\p{L}表示任意語言中的字母字符（包括英文字母和漢字）；

    \p{M}表示用來與其餘字符結合的字符（聲調、元音變化符等）；

    \p{Nd}表示任何書寫系統中的 0~9 字符，漢字全角字符一、2等也算；

    \p{N1}表示形如字符的數字，好比羅馬數字；

    \p{Pc}表示相似下劃線之類的字符；

    \p{InEnclosedAlphanumerics}表示被包圍的數字或字符，好比①；

    \p{L}表示任意語言中的字母字符（包括英文字母和漢字）；

  有時候，這樣的規定確實讓人抓狂：假設你但願用正則表達式\d{6,12}來驗證一個長度在 6 到 12 之間的數字字符串，卻沒有留意\d能匹配全角數字，驗證就可能出錯；因此，必定要注意此類問題。

經常使用語言中的匹配規則

語言	字符組簡記法的匹配規則
.NET	默認採用 Unicode 匹配規則，但能夠顯示指定採用 ASCII 匹配規則
Java	ASCII 匹配規則
Javascript	ASCII 匹配規則
PHP	ASCII 匹配規則
Python 2	默認採用 ASCII 匹配規則，但能夠顯示指定採用 Unicode 匹配規則
Python 3	默認採用 Unicode 匹配規則，但能夠顯示指定採用 ASCII 匹配規則
Ruby 1.8	默認採用 ASCII 匹配規則，顯示指定 Unicode 模式以後，只有\w使用 Unicode 匹配規則
Ruby 1.9	Unicode 匹配規則

  注1：通常來講，單詞邊界\b能匹配的位置是：一端是單詞字符，一端不是單詞字符（也能夠什麼都沒有），其中單詞字符的規定與\w同樣。Java 中則不是這樣，它的細節比較複雜，之後再說。

  注2：在Python 3 中能夠在表達式最開始用(?a)指定 ASCII 模式。

  注3：本書中說的 Ruby 1.9 指的是 Ruby 1.9.1 及以上版本，並不包含 Ruby 1.9.0，由於這個版本使用很是少，並且有一些很是奇怪的表現。