Python 原始字符串和 unicode：如何使用 Web 输入作为正则表达式模式？

Question

编辑：一旦您了解了“r”标志的含义，这个问题就没有意义了。更多详细信息这里。 对于寻找快速答案的人，我在下面添加了内容。

如果我在 Python 脚本中手动输入正则表达式，我可以为我的模式字符串使用 4 种标志组合：

• p1 = "pattern"
• p2 = u"pattern "
• p3 = r"pattern"
• p4 = ru"pattern"

我有一堆来自 Web 表单输入的 unicode 字符串，并希望将它们用作正则表达式模式。

我想知道应该对字符串应用什么过程，这样我就可以从使用上面的手动表单中得到类似的结果。例如：

import re
assert re.match(p1, some_text) == re.match(someProcess1(web_input), some_text)
assert re.match(p2, some_text) == re.match(someProcess2(web_input), some_text)
assert re.match(p3, some_text) == re.match(someProcess3(web_input), some_text)
assert re.match(p4, some_text) == re.match(someProcess4(web_input), some_text)

someProcess1 到 someProcessN 是什么？为什么？

我想 someProcess2 不需要做任何事情，而 someProcess1 应该做一些 unicode 转换为本地编码。对于原始字符串文字，我一无所知。

Answer 1

除了可能必须正确编码 Unicode（在 Python 2.* 中）之外，不需要任何处理，因为“原始字符串”没有特定的类型——它只是文字的语法，即字符串常量，并且代码片段中没有任何字符串常量，因此无需“处理”任何内容。

Answer 2

请注意第一个示例中的以下内容：

>>> p1 = "pattern"
>>> p2 = u"pattern"
>>> p3 = r"pattern"
>>> p4 = ur"pattern" # it's ur"", not ru"" btw
>>> p1 == p2 == p3 == p4
True

虽然这些构造看起来不同，但它们都执行相同的操作，它们创建一个字符串对象（p1 和 p3 a str 以及 p2 和 p4 a unicode Python 2.x 中的 code> 对象），包含值“pattern”。 u、r 和 ur 只是告诉解析器，如何解释下面的引用字符串，即作为 unicode 文本 (u）和/或原始文本（r），其中编码其他字符的反斜杠被忽略。然而，最终如何创建字符串并不重要，无论它是否是原始字符串，在内部它的存储方式都是相同的。

当您获取 unicode 文本作为输入时，您必须区分它是 unicode 文本还是 str 对象（在 Python 2.x 中）。如果您想使用 unicode 内容，则应该在内部仅使用这些内容，并将所有 str 对象转换为 unicode 对象（使用 str.decode( ) 或使用硬编码文本的 u'text' 语法）。但是，如果将其编码为本地编码，则会遇到 unicode 符号问题。

另一种方法是使用 Python 3，其中 str 对象直接支持 unicode 并将所有内容存储为 unicode，并且您根本不需要关心编码。

Answer 3

“r”标志只是阻止 Python 解释字符串中的“\”。由于网络并不关心它携带什么类型的数据，因此您的网络输入将是一堆字节，您可以自由地按照您想要的方式解释。

因此，为了解决这个问题：

• 始终使用 Unicode（例如 utf-8）
• 确保在获取字符串时 ，它将是 Unicode 并且“\n”、“\t”和“\a”将是文字，所以你不需要关心是否需要逃避它们。