为何正则表达式[a-z]加IGNORECASE会匹配İıſK等非ASCII字符？

问题重现 #

以下Python 3.11.0代码运行后，输出包含预期外的4个非ASCII字符İıſK：

import re
import sys

s = ''.join(map(chr, range(sys.maxunicode + 1)))
matches = ''.join(re.findall('[a-z]', s, re.IGNORECASE))
print(matches)

输出结果：

ABCDEFGHIJKLMNOPQRSTUVWXYZabcdefghijklmnopqrstuvwxyzİıſK

Python官方文档对此行为有记录，但未说明原因：

请注意，当Unicode模式[a-z]或[A-Z]与IGNORECASE标志结合使用时，它们将匹配52个ASCII字母和4个额外的非ASCII字母：‘İ’（U+0130，带点大写字母I）、‘ı’（U+0131，无点小写字母i）、‘ſ’（U+017F，长小写字母s）和‘K’（U+212A，开尔文符号）。如果使用ASCII标志，则仅匹配字母‘a’到‘z’和‘A’到‘Z’。

提问者仅理解开尔文符号K（U+212A）的匹配逻辑（其小写等价为ASCII的k），对其余三个字符的匹配原因存疑，同时疑惑该行为是Bug还是有深层合理性。

额外字符匹配的原因解释 #

• İ（U+0130，带点大写字母I）与ı（U+0131，无点小写字母i）：这两个字符来自土耳其语等部分语言的字母体系。在这些语言中，ASCII的I（大写无点）对应的小写是ı，而İ（大写带点）对应的小写是ASCII的i。开启IGNORECASE时，正则引擎为支持这类语言的大小写映射规则，会将[a-z]的范围扩展到包含这对字符——i的大写等价包含İ，I的小写等价包含ı，因此它们会被匹配到。
• ſ（U+017F，长小写字母s）：这是古英语等语言中使用的长s字符，它的大写等价就是ASCII的S。在Unicode大小写映射规则中，ſ被定义为s的历史形态等价变体，因此开启IGNORECASE时，[a-z]会匹配到这个字符。

行为合理性说明 #

这不是Bug，而是正则引擎遵循Unicode大小写映射标准的结果：

1. 为适配多语言场景，Python的re模块在Unicode模式下采用Unicode联盟定义的大小写等价规则，而非仅ASCII范围内的简单映射。
2. 这四个额外字符的匹配均符合Unicode规范中字符等价映射的设计，目的是让正则表达式处理多语言文本时更贴合自然语言的大小写转换逻辑。
3. 若仅需匹配ASCII范围内的字母，添加re.ASCII标志即可，此时[a-z]+IGNORECASE只会匹配A-Z和a-z的52个字符。

内容的提问来源于stack exchange，提问作者Wood