1

したがって、正規表現を使用して一致させたい Unicode 文字の長いシーケンスがあります。

char_set = '\u0041-\u005A|\u00C0-\u00D6|\u00D8-\u00DE|\u0100|\u0102|\u0104|\u0106|\u0108|\u010A|\u010C|\u010E|\u0110|\u0112|\u0114|\u0116|\u0118|\u011A|\u011C|\u011E|\u0120|\u0122|\u0124|\u0126|\u0128|\u012A|\u012C|\u012E|\u0130|\u0132|\u0134|\u0136|\u0139|\u013B|\u013D|\u013F|\u0141|\u0143|\u0145|\u0147|\u014A|\u014C|\u014E|\u0150|\u0152|\u0154|\u0156|\u0158|\u015A|\u015C|\u015E|\u0160|\u0162|\u0164|\u0166|\u0168|\u016A|\u016C|\u016E|\u0170|\u0172|\u0174|\u0176|\u0178|\u0179|\u017B|\u017D'

(これらはすべて Unicode 範囲 0-382 で理解される大文字です。それらのほとんどはアクセント付きです。PEP8 は Python スクリプトでの非 ASCII 文字の使用を推奨しないため、文字列リテラルの代わりに Unicode コードを使用しています。)

その長い文字列を直接コンパイルするだけで機能します。たとえば、これは次の文字のいずれかで始まるすべての単語に一致します。

regex = re.compile(u'\A[\u0041-\u005A|\u00C0-\u00D6|\u00D8-\u00DE|\u0100|\u0102|\u0104|\u0106|\u0108|\u010A|\u010C|\u010E|\u0110|\u0112|\u0114|\u0116|\u0118|\u011A|\u011C|\u011E|\u0120|\u0122|\u0124|\u0126|\u0128|\u012A|\u012C|\u012E|\u0130|\u0132|\u0134|\u0136|\u0139|\u013B|\u013D|\u013F|\u0141|\u0143|\u0145|\u0147|\u014A|\u014C|\u014E|\u0150|\u0152|\u0154|\u0156|\u0158|\u015A|\u015C|\u015E|\u0160|\u0162|\u0164|\u0166|\u0168|\u016A|\u016C|\u016E|\u0170|\u0172|\u0174|\u0176|\u0178|\u0179|\u017B|\u017D]')

しかし、同じ文字列を他のいくつかの正規表現で再利用したいと考えています。毎回単純にコピーして貼り付けることができますが、それは醜いです。したがって、同様の質問に対する以前の回答に基づいて、これを試しました：

regex = re.compile(u'\A[%s]' % char_set)

ダメ。どういうわけか、上記の式は、変数「char_set」の下にハードコードされたものだけでなく、任意の文字に一致するようです。

私もこれを試しました：

regex = re.compile(u'\A[' + char_set + ']')

この：

regex = re.compile(u'\A[' + re.escape(char_set) + ']')

そしてこれも：

regex = re.compile(u'\A[{ }]'.format(char_set))

期待どおりに機能するものはありません。

何かご意見は？私は何を間違っていますか？

(私は Python 2.7 と Mac OS X 10.6 を使用しています)

4

1 に答える 1

1

角かっこで囲まれた一連の文字を含むパターンを使用している場合、そのセットに縦棒 ( |) 文字を入れたくありません。代わりに、文字をつなぎ合わせるだけで機能します。これは、文字を削除した後、問題なく文字を試したセッション|です。

>>> import re
>>> char_set = u'\u0041-\u005A|\u00C0-\u00D6|\u00D8-\u00DE|\u0100|\u0102|\u0104|\u0106|\u0108|\u010A|\u010C|\u010E|\u0110|\u0112|\u0114|\u0116|\u0118|\u011A|\u011C|\u011E|\u0120|\u0122|\u0124|\u0126|\u0128|\u012A|\u012C|\u012E|\u0130|\u0132|\u0134|\u0136|\u0139|\u013B|\u013D|\u013F|\u0141|\u0143|\u0145|\u0147|\u014A|\u014C|\u014E|\u0150|\u0152|\u0154|\u0156|\u0158|\u015A|\u015C|\u015E|\u0160|\u0162|\u0164|\u0166|\u0168|\u016A|\u016C|\u016E|\u0170|\u0172|\u0174|\u0176|\u0178|\u0179|\u017B|\u017D'
>>> fixed_char_set = char_set.replace("|", "")   # remove the unneeded vertical bars
>>> pattern = ur"\A[{}]".format(fixed_char_set)  # create a pattern string
>>> regex = re.compile(pattern) # compile the pattern into a regex object
>>> print regex.match("%foo")   # "%" is not in the character set, so match returns None
None

"%foo"編集:実際には、何も削除せずに元の char_set を使用しても一致しないため、別の問題が発生しているに違いないようです。一致すべきではない場合に一致するテキストの例を教えてください!

于 2013-06-30T04:45:11.930 に答える