正则表达式——Unicode 匹配规则

  一般来说，数字字符解释[0-9]，单词字符就是[0-9a-zA-Z_]，空白字符则包括空格、回车等字符，但这是 ASCII 编码中的情况，在 Unicode 编码中并非如此。

  因为包括了多种语言和字符，所以在 Unicode 编码中，全角数字0、1、2之类也算作“数字字符”，可以由\d匹配；中文字符，也可以算作“单词字符”，由\w匹配；同样的道理，中文的全角空格（码值为30 ff），也可以算作“空白字符”，由\s匹配。所以，如果在 Python 2 中指定了正则表达式使用 Unicode 模式（最简单的方式解释在正则表达式的开头指定模式修饰符(?u)），\d，\w，\s就能匹配全角数字、中文字符、全角空格。对于这种情况，本书中称为 Unicode 匹配规则；相应地，之前 ASCII 编码中的匹配，称为 ASCII 匹配规则。

Unicode 模式下\d、\w、\s的匹配

简记法	ASCII 匹配规则	Unicode 匹配规则
\w	[0-9a-zA-Z_]	[\p{Ll}\p{Lu}\p{Lt}\p{Lo}\p{Lm}\p{Nd}\p{Pc}]
\d	[0-9]	[\p{Nd}]
\s	\t,\n,\v,\f,\r,\x20	[\f\n\r\t\v\x85\p{Z}]

  注：\p{L}表示任意语言中的字母字符（包括英文字母和汉字）；

    \p{M}表示用来与其他字符结合的字符（声调、元音变化符等）；

    \p{Nd}表示任何书写系统中的 0~9 字符，汉字全角字符1、2等也算；

    \p{N1}表示形如字符的数字，比如罗马数字；

    \p{Pc}表示类似下划线之类的字符；

    \p{InEnclosedAlphanumerics}表示被包围的数字或字符，比如①；

    \p{L}表示任意语言中的字母字符（包括英文字母和汉字）；

  有时候，这样的规定确实让人抓狂：假设你希望用正则表达式\d{6,12}来验证一个长度在 6 到 12 之间的数字字符串，却没有留意\d能匹配全角数字，验证就可能出错；所以，一定要注意此类问题。

常用语言中的匹配规则

语言	字符组简记法的匹配规则
.NET	默认采用 Unicode 匹配规则，但可以显示指定采用 ASCII 匹配规则
Java	ASCII 匹配规则
Javascript	ASCII 匹配规则
PHP	ASCII 匹配规则
Python 2	默认采用 ASCII 匹配规则，但可以显示指定采用 Unicode 匹配规则
Python 3	默认采用 Unicode 匹配规则，但可以显示指定采用 ASCII 匹配规则
Ruby 1.8	默认采用 ASCII 匹配规则，显示指定 Unicode 模式之后，只有\w使用 Unicode 匹配规则
Ruby 1.9	Unicode 匹配规则

  注1：一般来说，单词边界\b能匹配的位置是：一端是单词字符，一端不是单词字符（也可以什么都没有），其中单词字符的规定与\w一样。Java 中则不是这样，它的细节比较复杂，以后再说。

  注2：在Python 3 中可以在表达式最开始用(?a)指定 ASCII 模式。

  注3：本书中说的 Ruby 1.9 指的是 Ruby 1.9.1 及以上版本，并不包含 Ruby 1.9.0，因为这个版本使用非常少，而且有一些非常奇怪的表现。