Python 2.7含重音字符的正则负向预查失效问题排查

我来帮你分析这个问题的核心原因和解决方向：

问题场景回顾 #

你需要检测西班牙语中的大写单词，但要排除前面带有特定Unicode标记（比如guión:）的情况。

正常工作的情况（非Unicode标记） #

当标记是无重音的guion:时，代码能正确跳过后面的大写单词：

>>> import regex
>>> s = u"guion: El computador. Ángel."
>>> p = regex.compile( r'(?<!guion:\s) ( [\p{Lu}] [\p{Ll}]+ \b)' , regex.U | regex.X)
>>> print p.sub( r"**\1**", s)
guion: El computador. **Ángel**.

失效的情况（含Unicode重音的标记） #

但当标记是带重音的guión:时，负向断言没能生效，本该排除的El被错误标记了：

>>> s = u"guión: El computador. Ángel."
>>> p = regex.compile( ur'(?<!guión:\s) ( [\p{Lu}] [\p{Ll}]+ \b)' , regex.U | regex.X)
>>> print p.sub( r"**\1**", s)
guión: **El** computador. **Ángel**.

期望结果 #

guión: El computador. **Ángel**.

问题核心原因 #

你提到在regex101的PCRE模式下正常，但Python 2.7不行，主要和以下两点有关：

• Python 2的字符串本质限制：Python 2中，即使是u''前缀的Unicode字符串，底层处理时部分正则断言逻辑可能还是按字节而非Unicode字符粒度执行。ó是一个Unicode字符，但在字节层面是多字节的，负向环视可能没能正确识别这个完整的Unicode字符，导致断言匹配失败。而PCRE是原生按Unicode字符处理的，所以表现一致。
• regex库版本兼容性：Python 2.7对应的regex库版本通常比较旧，对Unicode负向环视的支持存在bug，而Python 3的regex库对Unicode的处理更完善，不会出现这类问题。

解决方向指引 #

这里给你几个可行的修复思路：

1. 改用纯Unicode字符串定义正则 #

避免使用ur''组合，直接用u''定义正则表达式，同时注意转义规则：

>>> import regex
>>> s = u"guión: El computador. Ángel."
>>> p = regex.compile( u'(?<!guión:\\s) ( [\\p{Lu}] [\\p{Ll}]+ \\b)' , regex.U | regex.X)
>>> print p.sub( r"**\1**", s)
guión: El computador. **Ángel**.

这样能确保正则中的所有字符都按Unicode字符处理，而非字节。

2. 升级Python 2.7兼容的regex库 #

尝试更新regex到最新的兼容版本：

pip install --upgrade regex

新版本的regex库可能修复了Python 2下Unicode负向断言的bug。

3. 绕开负向环视，用Python逻辑判断 #

如果上述方法都不行，可以用自定义替换函数来实现，绕开正则断言的问题：

import regex

def process_match(match):
    # 获取匹配位置前的字符串，检查是否是guión: 加空格
    start_pos = match.start()
    # guión: 是5个Unicode字符，加空格共6个
    prefix = s[max(0, start_pos - 6):start_pos] if start_pos >=6 else ''
    if prefix == u'guión: ':
        return match.group(1)
    else:
        return u'**{}**'.format(match.group(1))

s = u"guión: El computador. Ángel."
result = regex.sub(u'([\\p{Lu}][\\p{Ll}]+\\b)', process_match, s, flags=regex.U)
print(result)

这种方式用Python代码直接判断前缀，避免了正则断言的Unicode问题。

内容的提问来源于stack exchange，提问作者EuripidesL