正则表达式和 unicode
-
08-06-2019 - |
题
我有一个脚本可以解析电视剧集的文件名(例如 show.name.s01e02.avi),获取剧集名称(来自 www.thetvdb.com API)并自动将它们重命名为更好的名称(节目名称 - [01x02 ].avi)
该脚本工作正常,直到您尝试在具有 Unicode 显示名称的文件上使用它(我从未真正考虑过这一点,因为我拥有的所有文件都是英文的,所以大多数几乎都属于 [a-zA-Z0-9'\-]
)
如何让正则表达式匹配重音字符等?目前正则表达式的配置部分看起来像..
config['valid_filename_chars'] = """0123456789abcdefghijklmnopqrstuvwxyzABCDEFGHIJKLMNOPQRSTUVWXYZ!@£$%^&*()_+=-[]{}"'.,<>`~? """
config['valid_filename_chars_regex'] = re.escape(config['valid_filename_chars'])
config['name_parse'] = [
# foo_[s01]_[e01]
re.compile('''^([%s]+?)[ \._\-]\[[Ss]([0-9]+?)\]_\[[Ee]([0-9]+?)\]?[^\\/]*$'''% (config['valid_filename_chars_regex'])),
# foo.1x09*
re.compile('''^([%s]+?)[ \._\-]\[?([0-9]+)x([0-9]+)[^\\/]*$''' % (config['valid_filename_chars_regex'])),
# foo.s01.e01, foo.s01_e01
re.compile('''^([%s]+?)[ \._\-][Ss]([0-9]+)[\.\- ]?[Ee]([0-9]+)[^\\/]*$''' % (config['valid_filename_chars_regex'])),
# foo.103*
re.compile('''^([%s]+)[ \._\-]([0-9]{1})([0-9]{2})[\._ -][^\\/]*$''' % (config['valid_filename_chars_regex'])),
# foo.0103*
re.compile('''^([%s]+)[ \._\-]([0-9]{2})([0-9]{2,3})[\._ -][^\\/]*$''' % (config['valid_filename_chars_regex'])),
]
解决方案
使用一个子范围 [\u0000-\uFFFF]
为了你想要的。
您还可以使用 re.UNICODE
编译标志。 文档 说如果 UNICODE
已设定, \w
将匹配字符 [0-9_]
加上 Unicode 字符属性数据库中分类为字母数字的任何内容。
也可以看看 http://coding.derkeiler.com/Archive/Python/comp.lang.python/2004-05/2560.html.
其他提示
Python 的 re 模块不支持 \p{Letter} 或 \X。但是,那 PyPI 上的新正则表达式实现 做。
Jeffrey Friedl 的《掌握正则表达式》(很棒的书)中提到,您可以使用 \p{Letter} 来匹配被视为字母的 unicode 内容。
\X 似乎在某些语言中可用作通用单词字符,它允许您匹配单个字符,而不管它占用多少字节。可能有用。
不隶属于 StackOverflow