阿拉伯字母在regex中使用范围

Question

在Python中使用Regex时，很容易使用方括号来表示一系列字符a-z，但这似乎不适用于其他语言，比如阿拉伯语：

import re
pattern = '[ي-ا]'
p = re.compile(pattern)

这将导致一个长错误报告，该报告以

raise error("bad character range")
sre_constants.error: bad character range

怎么解决这个问题呢？

Answer 1

改用Unicode转义。

>>> re.compile('[\u0627-\u064a]')
<_sre.SRE_Pattern object at 0x237f460>

Answer 2

由于阿拉伯字符是从右到左呈现的，下面的更正字符串(从ا到ي)被反向呈现(如果要确认，请尝试选择该字符串)：

'[ا-ي]'

控制台输出：

>>> re.compile('[ا-ي]')
<_sre.SRE_Pattern object at 0x6001f0a80>

>>> re.compile('[ا-ي]', re.DEBUG)
in
  range (1575, 1610)
<_sre.SRE_Pattern object at 0x6001f0440>

所以您的模式'[ي-ا]'实际上是“从ي到ا"，这是一个无效的范围，因为ا的代码点小于ي的代码点。

为了防止混乱，Ignacio Vazquez-Abrams关于使用Unicode转义的建议是我提供的解决方案的一个很好的替代方案。

Answer 3

这个经过批准的答案确实有效，但unicode [\u0627-\u064a]不包括“ا”(如“أ‘，’آ”或“إ”)等字母的变体，以及“و”(其变体“ؤ”)的变体。(我想评论/建议-编辑已批准的答案，但有一个队列)

因此，如果有人(重新)访问了这个问题，并且需要这些字母变体，一个对我更有用的unicode是\u0600-\u06FF，给出的答案：

pattern = re.compile('[\u0600-\u06FF]')