涉及星体平面的unicode范围的Python语义

Question

如果正则表达式中字符范围的一个或两个端点都在BMP之外，那么它的预期语义到底是什么？我观察到以下输入在Python 2.7和3.5中的行为不同：

import re
bool(re.match(u"[\u1000-\U00021111]", "\u1234"))

在我的2.7中我得到False，在3.5中我得到True。后者对我来说是有意义的。前者可能是由于\U00021111由一个代理项对\ud844\udd11表示，但即使这样，我也不理解，因为{}应该包括{}很好。在

• 这是在什么地方指定的吗？在
• 这是故意的行为吗？在
• 这仅仅取决于Python版本，还是取决于关于UTF-16和UTF-32的编译时标志？在
• 有没有一种方法可以在不区分案例的情况下获得一致的行为？在
• 如果区分案件是不可避免的，那么具体的条件是什么？在

Answer 1

只需将u前缀与输入字符串一起使用，告诉Python它是一个Unicode字符串：

>>> bool(re.match(u"[\u1000-\U00021111]", u"\u1234")) # <= See u"\u1234"
True

在Python2.7中，每次处理字符串时都需要将其解码为Unicode。在python3中，默认情况下所有字符串都是Unicode，并且在docs中声明。在