Python 2.7中如何正确使用re.UNICODE标志？

哦，我一眼就看到问题啦——你把re.UNICODE传错地方了！

问题根源 #

re.findall()的第二个参数不是正则标志位，而是匹配的起始位置（默认值为0）。你传入的re.UNICODE对应数值是4，相当于让程序从字符串的第4个字符之后开始查找，自然找不到任何内容，所以返回空列表。

正确解决方法 #

有两种靠谱的写法，任选其一就行：

1. 预编译正则时指定re.UNICODE

编译正则表达式时把标志位传进去，之后调用findall不需要再额外传参数：

import re
r = re.compile(ur"(\w+)", re.UNICODE)
r.findall(u"test test test")  # 这里不用传re.UNICODE！
# 输出: [u'test', u'test', u'test']

2. 直接调用re.findall()时传标志位

如果不用预编译，需要把re.UNICODE作为第三个参数传给findall：

import re
re.findall(ur"(\w+)", u"test test test", re.UNICODE)
# 输出: [u'test', u'test', u'test']

验证Unicode字符处理效果 #

咱们来测试带非ASCII字符的场景，看看re.UNICODE的作用：

r = re.compile(ur"(\w+)", re.UNICODE)
r.findall(u"café 北京 123 _abc")
# 输出: [u'café', u'北京', u'123', u'_abc']

如果不加re.UNICODE，Python 2里的\w只会匹配ASCII字母、数字和下划线，上面的例子就会返回[u'123', u'_abc']，其他Unicode字符都会被当成非单词字符分割开。

内容的提问来源于stack exchange，提问作者faiuwle