为何上标³会匹配Python正则表达式的字母字符规则？

核心原因拆解 #

要搞懂这个现象，得从正则逻辑和Python re模块的Unicode匹配规则两方面分析：

1. 正则[^\W\d_]+的实际逻辑

   • \W是\w的补集，[^\W]等价于\w；
   • 所以[^\W\d_]的意思是：从\w的匹配范围内，排除\d（数字）和_（下划线），理论上应该只匹配Unicode字母。

2. Python re的Unicode匹配规则

   • Python 3中，re模块默认启用Unicode模式：
     • \w会匹配所有Unicode标准定义的字母（L类，如大写字母Lu、小写字母Ll等）、全类别数字（N类，包括十进制数字Nd、上标/下标这类非十进制数字符号No），再加上下划线_；
     • 而\d默认仅匹配Unicode的十进制数字（Nd类），像³（Unicode编码U+00B3，属于No类：Other Number）这类非十进制数字符号，不在\d的匹配范围内。

3. ³的匹配判定

   • ³属于Unicode的No类数字，因此被\w包含（不在\W范围内）；
   • ³不属于\d的匹配范围；
   • ³不是下划线_；
   • 完全符合[^\W\d_]的匹配条件，所以会被成功匹配。

精准匹配Unicode字母的方法 #

如果只想匹配纯Unicode字母，建议使用Unicode属性类\p{L}，示例代码：

import re
# \p{L}仅匹配所有Unicode字母，不会匹配非十进制数字
print(re.match(r"\p{L}+", '³'))  # 输出None
print(re.match(r"\p{L}+", 'abc'))  # 输出<re.Match object; span=(0, 3), match='abc'>

内容的提问来源于stack exchange，提问作者user2801282