本文将带您了解关于Python和带Unicode的正则表达式的新内容，同时我们还将为您解释正则表达python的相关知识，另外，我们还将为您提供关于LeetCode10.正则表达式匹配|Python、

本文将带您了解关于Python和带Unicode的正则表达式的新内容，同时我们还将为您解释正则表达 python的相关知识，另外，我们还将为您提供关于LeetCode 10. 正则表达式匹配 | Python、Perl 中的正则表达式与 Unicode 字符串不匹配、PHP正确的正则表达式在带有unicode的PHP 5.3.3-7中不起作用、Python Unicode正则表达式匹配失败，并带有一些Unicode字符-错误或错误？的实用信息。

• Python和带Unicode的正则表达式（正则表达 python）
• LeetCode 10. 正则表达式匹配 | Python
• Perl 中的正则表达式与 Unicode 字符串不匹配
• PHP正确的正则表达式在带有unicode的PHP 5.3.3-7中不起作用
• Python Unicode正则表达式匹配失败，并带有一些Unicode字符-错误或错误？

Python和带Unicode的正则表达式（正则表达 python）

我需要从字符串“ بِسْمِ اللَّهِ الرَّحْمَٰنِ الرَّحِيمِ”中删除一些Unicode符号

我知道他们肯定在这里。我试过了：

re.sub(''([\u064B-\u0652\u06D4\u0670\u0674\u06D5-\u06ED]+)'', '''', ''بِسْمِ اللَّهِ الرَّحْمَٰنِ الرَّحِيمِ'')

但这不起作用。字符串保持不变。我究竟做错了什么？

答案1

您使用的是python 2.x还是3.0？

如果您使用的是2.x，请尝试使用“ u”使正则表达式字符串成为unicode-escape字符串。由于它是正则表达式，因此最好使用“
r”将正则表达式字符串设置为原始字符串。另外，将整个模式放在括号中也是多余的。

re.sub(ur''[\u064B-\u0652\u06D4\u0670\u0674\u06D5-\u06ED]+'', '''', ...)

http://docs.python.org/tutorial/introduction.html#unicode-
strings

编辑：

将re.UNICODE / re.U /（？u）标志用于unicode正则表达式也是一种好习惯，但它只会影响\ w或\
b这样的字符类别名，而该模式不使用任何别名，因此不会受到影响。

LeetCode 10. 正则表达式匹配 | Python

10. 正则表达式匹配

题目来源：https://leetcode-cn.com/problems/regular-expression-matching

题目

给你一个字符串 s 和一个字符规律 p，请你来实现一个支持 ''.'' 和 ''*'' 的正则表达式匹配。

''.'' 匹配任意单个字符
''*'' 匹配零个或多个前面的那一个元素
所谓匹配，是要涵盖 整个 字符串 s的，而不是部分字符串。

说明:

• s 可能为空，且只包含从 a-z 的小写字母。
• p 可能为空，且只包含从 a-z 的小写字母，以及字符 . 和 *。

示例 1:

输入:
s = "aa"
p = "a"
输出: false
解释: "a" 无法匹配 "aa" 整个字符串。

示例 2:

输入:
s = "aa"
p = "a*"
输出: true
解释: 因为 ''*'' 代表可以匹配零个或多个前面的那一个元素, 在这里前面的元素就是 ''a''。因此，字符串 "aa" 可被视为 ''a'' 重复了一次。

示例 3:

输入:
s = "ab"
p = ".*"
输出: true
解释: ".*" 表示可匹配零个或多个（''*''）任意字符（''.''）。

示例 4:

输入:
s = "aab"
p = "c*a*b"
输出: true
解释: 因为 ''*'' 表示零个或多个，这里 ''c'' 为 0 个, ''a'' 被重复一次。因此可以匹配字符串 "aab"。

示例 5:

输入:
s = "mississippi"
p = "mis*is*p*."
输出: false

解题思路

暴力解

先从【暴力解】的角度理清问题。

这个题目中，难点就在于处理 . 和 * 两个符号。

如果只是要求检查两个普通字符是否匹配。那么通过直接遍历，检查每个数组对应的元素是否相同来判断是否匹配即可。例如：

def isMatch(s, p):
    if len(s) != len(p):
        return False
    for i in range(p):
        if s[i] != p[i]:
            return False
    return True

那代码大概就会是这样。那我们用递归的形式来书写，以下为伪代码：

def isMatch(s, p):
    """
    s: text
    p: pattern
    """
    if p is empty:
        return s is empty
    first_match = (s not empty) and p[0] == s[0]
    return first_match and isMatch(s[1:], p[1:])

在上面的代码中，其实就是通过先判断前面的元素是否匹配，逐层往下判断后面的元素是否也匹配，从而来找到答案。

现在来处理两个符号的问题，. 这个符号，表示的是匹配处换行符以外的任意字符（这里就不展开说明了，若需详细了解，可直接上网搜索）。

了解这个符号的含义后，这里所能表达的意义，也会相应的改变，即是说，当 p 中出现 . 号，s 对应的元素无论是什么字符（题目说明 s 仅包含 a-z 字符）都能够匹配，现在根据上面的伪代码进行修改：

def isMatch(s, p):
    """
    s: text
    p: pattern
    """
    if not p:
        return not s
    first_match = bool(s) and p[0] in {s[0], ''.''}
    return first_match and isMatch(s[1:], p[1:])

这里唯一不同的就是 first_match 这部分的判断中，因为 p 中的元素可能出现固定字符，或者 . 号，所以当 p 出现的字符与 s 中对应的字符相同，或者 p 此处是 . 字符，这里两者都表示能够匹配。

那么现在往下看 * 符号，这个符号表示的含义是重复零次或多次。那么这里最明显的字符就是重复多少次的问题？在这里考虑使用递归的方式书写，假设重复 n 次，其实这里先不需要考虑 n 是多少，把这个交给递归实现。要考虑那么当下的情况，这里应该就只有两个选择，要么是匹配 0 次，要么是匹配 1 次。

那么相应的代码就应该修改为（这里书写发现 * 的情况）：

# 这里表示发现 `*` 的情况下，
if len(p) >= 2 and p[1] == ''*'':
    # 这里需要考虑匹配 0 次的问题，例如 aa，c*aa
    # 也要考虑匹配多次的问题，例如 aa, a*
    return isMatch(s, p[2:]) or first_match and isMatch(s[1:], p)

在这段代码当中，isMatch(s, p[2:]) 这里表示，字符匹配 0 次，跳过 p 中字符与 * 结合这部分。后面的表示，p[0] 和 s[0] 匹配之后，继续判断 s 接下来的元素。其中保留 p，只向后移动 s，是为了实现 * 匹配多次的功能。

这样来看，其实已经可以说理清两个符号的具体实现方式。

关于完整的代码请查看【代码实现】部分。

动态规划

思路：动态规划

在上面暴力解的方法中，频繁使用切片操作，复杂度高。这里在暴力解的基础上，使用动态规划的方法，定义变量 i，j 来记录当前匹配到的位置，用 dp(i, j) 表示 s[i:] 和 p[j:] 是否能够匹配。，避免频繁切片。这里也引入备忘录的概念，用来避免重复的运算。

具体代码同样请查看【代码实现】部分。

代码实现

暴力解 | 代码实现

class Solution:
    def isMatch(self, s: str, p: str) -> bool:
        if not p:
            return not s

        first_match = bool(s) and p[0] in {s[0], ''.''}

        if len(p) >= 2 and p[1]=="*":
            return self.isMatch(s, p[2:]) or first_match and self.isMatch(s[1:], p)
        else:
            return first_match and self.isMatch(s[1:], p[1:])

动态规划 | 代码实现

class Solution:
    def isMatch(self, s: str, p: str) -> bool:
        memo = {}
        def dp(i, j):
            if (i, j) not in memo:
                if j == len(p):
                    return i == len(s)

                else:
                    first_match = i < len(s) and p[j] in {s[i], ''.''}
                    if j + 1 < len(p) and p[j+1] == ''*'':
                        ans = dp(i, j+2) or first_match and dp(i+1, j)
                    else:
                        ans = first_match and dp(i+1, j+1)

                memo[(i, j)] = ans

            return memo[(i, j)]

        return dp(0, 0)

实现结果

暴力解 | 实现结果

动态规划 | 实现结果

以上就是使用暴力解的形式，理清题目的难点，进而使用动态规划加备忘录的形式来进一步降低复杂度，更高效的解决《10. 正则表达式匹配》问题的主要内容。

欢迎关注微信公众号《书所集录》

Perl 中的正则表达式与 Unicode 字符串不匹配

use v5.12;
use utf8;

my $placeString = $main::FORM{''placeString''}; # Coming from a different module.
say STDOUT $placeString;

utf8::upgrade($placeString); # Using this or removing this seems to make no difference.

# If I manually copy the output of STDOUT (above) in BASH and set the string,it works:
$placeString2 = "Asuncion,distrito Capital de Paraguay,Región Oriental,Paraguay"; 

if ($placeString =~ /^([\w\s\,\.\-\'']+)$/) {
    # This is evaluated as false.
    say STDERR "Accepted placename.";
}


if ($placeString2 =~ /^([\w\s\,\.\-\'']+)$/) {
    # This is evaluated as true.
    say STDERR "Accepted placename.";
}

52.65.67.69.F3.6E      Unicode Code Points for "Región".

49.2665.53.4F          Unicode Code Points for "I♥SO".

52.65.67.69.C3.B3.6E   "Región" encoded using UTF-8.

49.E2.99.A5.53.4F      "I♥SO" encoded using UTF-8.

my $placeString = $::FORM{placeString};
utf8::decode($placeString)
   or warn(...);

use Encode qw( decode_utf8 );

my $placeString = decode_utf8($::FORM{placeString});

use Encode qw(decode_utf8);
$placeString = decode_utf8($placeString);

echo (int)preg_match('/\bHello\W+(?:\w+\W+){0,6}?World\b/ui','Hello,world!',$matches).PHP_EOL;
print_r($matches);

1
Array
(
    [0] => Hello,world
)

ini_set('default_charset','UTF-8');
 mb_internal_encoding('UTF-8');
 mb_regex_encoding('UTF-8');

# pcretest -C
 PCRE version 8.02 2010-03-19
 Compiled with
   UTF-8 support
   Unicode properties support
   Newline sequence is LF
   \R matches all Unicode newlines
   Internal link size = 2
   POSIX malloc threshold = 10
   Default match limit = 10000000
   Default recursion depth limit = 10000000
   Match recursion uses stack

0
Array
(
)

echo (int)preg_match('/Привіт/ui','Привіт,світу!',$matches).PHP_EOL;
print_r($matches);

1
Array
(
    [0] => Привіт
)