如何让Python正则表达式将梵文（Devanagiri）Unicode块U+0900至U+097F全部视为单词字符？

我来帮你搞定这个正则的问题！首先得弄明白为啥你的पानी匹配不到——Python标准库的re模块里，默认的\b（单词边界）是纯ASCII逻辑的：它只把英文字母、数字和下划线当成“单词字符”，完全不认识梵文（天城文）的字符。

你看，पानी里的每个字符都不在ASCII单词字符范围内，当正则检查结尾的\b时，它会发现ी不是\w（默认的单词字符），后面的空白也不是\w，两个非单词字符之间自然触发不了\b的匹配，所以पानी就被漏掉了。

下面给你两种解决思路，一种不用装第三方库，一种更简洁：

方法一：用标准re模块，手动自定义单词边界 #

如果不想额外装库，我们可以完全抛弃默认的\b，自己定义“什么是单词字符”——把ASCII单词字符（a-zA-Z0-9_）加上梵文区块\u0900-\u097F都算进去，然后写自定义的边界检查：

把你的正则改成这样：

(?<!\.)(?<![\u0900-\u097Fa-zA-Z0-9_])(a(?:bc|de)|zip|चाय|पानी)(?![\u0900-\u097Fa-zA-Z0-9_])

我给你拆解下各部分的作用：

• (?<!\.)：和你原来的逻辑一致，确保匹配的词前面不是点号
• (?<![\u0900-\u097Fa-zA-Z0-9_])：负向后预查，保证匹配的词前面不是我们定义的“单词字符”（梵文+ASCII单词字符）
• 中间的(a(?:bc|de)|zip|चाय|पानी)：你原本要匹配的目标词
• (?![\u0900-\u097Fa-zA-Z0-9_])：负向前预查，保证匹配的词后面不是我们定义的“单词字符”

测试一下代码：

import re
result = re.findall(r'(?<!\.)(?<![\u0900-\u097Fa-zA-Z0-9_])(a(?:bc|de)|zip|चाय|पानी)(?![\u0900-\u097Fa-zA-Z0-9_])', 'This is abc, ade, चाय, पानी  and abca')
print(result)  # 输出：['abc', 'ade', 'चाय', 'पानी']

这样就能正确匹配到पानी了。

方法二：用regex第三方库（更简洁推荐） #

Python标准re对Unicode的支持确实有限，第三方的regex模块专门解决这类问题，用起来更省心。

首先先安装它：

pip install regex

然后你只需要开启UNICODE_WORD标志，\w就会自动包含所有Unicode字母（包括梵文），原来的\b也会基于这个扩展的单词字符来判断边界，完全不用改原来的正则结构：

测试代码：

import regex
result = regex.findall(r'(?<!\.)(a(?:bc|de)|zip|चाय|पानी)\b', 'This is abc, ade, चाय, पानी  and abca', flags=regex.UNICODE_WORD)
print(result)  # 输出：['abc', 'ade', 'चाय', 'पानी']

是不是简单多了？这个模块还支持\p{Devanagari}这样的Unicode属性类，如果你想更精准地只针对梵文区块，也可以用它来定义单词字符，比如把\w替换成[\p{Devanagari}a-zA-Z0-9_]，不过开启UNICODE_WORD已经能满足你的需求了。

总结一下：核心就是明确你要把哪些字符当成单词字符，然后要么手动写边界检查，要么用对Unicode更友好的regex模块来简化操作。

备注：内容来源于stack exchange，提问作者ACBlue