在unicode和tex上使用re拆分python字符串

Question

我正在尝试拆分一个基于unicode和文本（中文）标点符号的长字符串。我该怎么做？你知道吗

def split1(s):
    temp1 = re.split(r"(;|:|•|。|；|：)", s)
    temp = re.split(u"([\u3002|\uFF01|\uFF1F])", temp1)
    i = iter(temp)

更新： 我希望根据常规文本和unicode文本分割字符串。你知道吗

Answer 1

你可以用

def split1(s): 
    return re.split(ur"([\u3002\uFF01\uFF1F;:•。；：])", s)

拆分这两种模式没有意义，因为使用它们的唯一目的是将字符串标记为与regex匹配的字符和不匹配的字符。你知道吗

捕获的文本也将成为结果列表的一部分，因为整个模式都用捕获组包装，请参见^{} docs：

If capturing parentheses are used in pattern, then the text of all groups in the pattern are also returned as part of the resulting list

注意u前缀，它将告诉python2.x正确处理字符串中的Unicode代码单元。你知道吗