在Python中搜索连字符的所有Unicode变体

Question

我一直试图从PDF中提取某些文本转换成文本文件。PDF来自不同的来源，我不知道它们是如何生成的。在

我试图提取的模式是一个简单的两个数字，后跟一个连字符，然后是另外两个数字，例如12-34。因此，我编写了一个简单的regex \d\d-\d\d，并希望它能起作用。在

然而，当我测试它时，我发现它漏掉了一些命中率。后来我注意到至少有两个连字符表示为\u2212和{}。所以我把正则表达式改为\d\d[-\u2212\xad]\d\d，它起作用了。在

我的问题是，既然我要提取这么多PDF文件，我不知道还有什么其他连字符的变体，那么有没有正则表达式覆盖所有的“连字符”，希望看起来比[-\u2212\xad]表达式更好？在

Answer 1

您在问题标题中要求的解决方案暗示了一种白名单的方法，意味着您需要找到您认为类似于连字符的字符。在

您可以参考Punctuation, Dash Category，该Unicode目录列出了所有可能的Unicode连字符。在

您可以使用PyPi regex module并使用\p{Pd}模式来匹配任何Unicode连字符。在

或者，如果只能使用re，请使用

[\u002D\u058A\u05BE\u1400\u1806\u2010-\u2015\u2E17\u2E1A\u2E3A\u2E3B\u2E40\u301C\u3030\u30A0\uFE31\uFE32\uFE58\uFE63\uFF0D]

您可以使用其他Unicode字符扩展此列表，这些字符的Unicode名称中包含minus，请参见this list。在

黑名单方法意味着您不希望在两对数字之间匹配特定的字符。如果要匹配任何非空白，可以使用\S。如果要匹配任何标点或符号，请使用(?:[^\w\s]|_)。在