具有unicode范围的Python regex匹配不在范围内的字符

Question

我用正则表达式从文本中去掉“要点”。这些项目符号通常是unicode范围内的符号，例如几何形状（\u25a0-\u25ff）或类似的符号。以下是此类子弹的一个例子：

 ◉ This is a bullet
 ♦︎ This is also a bullet
 ☉ And so is this

This is not a bullet.

我使用以下正则表达式来匹配这些要点：

\s*([\u00a4\u00b7]|[\u2010-\u2017]|[\u2020-\u206f]|[\u2300-\u23f3]|[\u25a0-\u25ff]|[\u2600-\u26ff]|[\u2700-\u27bf]|[\u2b00-\u2bff])\s*

这在Ruby中有效（参见http://rubular.com/r/O7ZObURmlt上的示例），但在Python中，它匹配任何字符串的第一个字符。例如，字符串This is not a bullet中的T字符是匹配的。您可以将上面的regex和示例文本复制到http://www.pythonregex.com/中，亲自查看。在

正则表达式是用UNICODE标志编译的。在

如何让Python的regex引擎更好地处理这个表达式？在

Answer 1

使生成表达式的字符串采用unicode格式，以便序列被解释为unicode字符，而不是普通的u，2，0，依此类推。尝试以下操作：

regex = re.compile(u"\s*([\u00a4\u00b7]|[\u2010-\u2017]|" + \
    "[\u2020-\u206f]|[\u2300-\u23f3]|[\u25a0-\u25ff]|" + \
    "[\u2600-\u26ff]|[\u2700-\u27bf]|[\u2b00-\u2bff])\s*", re.UNICODE)

而且您很可能没有使用python3.*，其中所有的字符串都是unicode-AFAIK。在