如何使用Python regex匹配符合指定规则的上标文本

首先需要明确你处理的上标文本的存储形式，不同场景的实现逻辑完全不同：

场景1：带格式标记的富文本（HTML/Markdown） #

这是最常见的场景，上标有明确的包裹标记，正则可以通过匹配标记锁定上标范围，再筛选内容规则：

• HTML 中上标用 <sup> 标签包裹，匹配符合规则的上标内容的正则为：r'<sup>([a-zA-Z0-9,\[\]]+)</sup>'
• Markdown （通用方言）中上标用 ^ 包裹，匹配正则为：r'\^([a-zA-Z0-9,\[\]]+)\^'

Python 实现示例（HTML场景）：

import re

content = "普通文本<sup>abc123[</sup>，不符合规则的上标<sup>!@#$</sup>，普通的abc123[不会命中"
pattern = re.compile(r'<sup>([a-zA-Z0-9,\[\]]+)</sup>')
result = pattern.findall(content)
print(result) # 输出 ['abc123[']

注意：正则中方括号是特殊字符，匹配字面量方括号时必须加转义符\，写为\[\]

场景2：纯文本中的Unicode原生上标字符 #

如果你的文本是无格式标记的纯文本，上标是用¹、²、ⁿ这类Unicode上标字符表示的，需要注意：Unicode本身没有覆盖全量a-z字母的上标编码，仅支持部分数字和少量字母。
匹配现有Unicode上标且符合你要求的字符规则的正则示例：

import re

content = "普通文本abc123，上标文本ⁿ¹²³[，不符合的上标⁺⁻"
# 正则包含所有已有的Unicode上标数字、字母，以及你要求的逗号、方括号
pattern = re.compile(r'[\u2070\u00B9\u00B2\u00B3\u2074-\u2079\u2071\u207F\u1D43-\u1D61\u1D7C-\u1D9A,\[\]]+')
result = pattern.findall(content)
print(result) # 输出 ['ⁿ¹²³[']

特殊场景说明 #

如果你处理的是Word、PDF等文档里的格式上标，正则无法直接识别文档的格式属性，需要先借助python-docx、pdfplumber等工具读取到上标的格式标记后，再做内容规则匹配。

内容的提问来源于stack exchange，提问作者Tiago Bachiega de Almeida