正则表达式和unicode

Question

我有一个脚本，可以解析电视剧集的文件名（例如show.name.s01e02.avi），获取剧集的名称（从www.thetvdb.com API），然后自动将其重命名为更好的名称（显示名-[01x02 ] .avi）

该脚本可以正常工作，直到您尝试在具有Unicode显示名称的文件上使用该脚本为止（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，所以大部分都属于[a-zA-Z0-9'\-]）

如何允许正则表达式匹配带重音符号的字符？目前，正则表达式的config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'])),

]

Answer 1

根据需要使用子范围[\u0000-\uFFFF]。您也可以使用re.UNICODE编译标志。文档说如果UNICODE设置，\w将匹配字符[0-9_]以及Unicode字符属性数据库中分类为字母数字的任何字符。

Answer 2

Python的re模块不支持\ p {Letter}或\ X。但是，PyPI上的新正则表达式实现可以。

Answer 3

Jeffrey Friedl的精通正则表达式（精湛的书）中提到过，您可以使用\ p {Letter}来匹配被认为是字母的unicode内容。