正则表达式返回true，带不正确的日语字符

Question

我正在用表格检查是否输入了符合日本格式的邮政编码。 我今天意识到有些信息已经通过了，尽管它不应该“通过”regex匹配测试。你知道吗

这里是正则表达式：

".*([0-9０-９]{3}[-ー]{1}[0-9０-９]{4}).*"

它包括普通数字和日语数字（与“-”相同，也可以输入日语数字“ー”），格式如下： 123-4567. 你知道吗

当只输入拉丁字母和数字时，工作正常。 但有些日语字符根本不匹配。。。作为匹配项返回：

（注意：匹配将返回某些内容，没有匹配将不返回任何内容。）你知道吗

>>> import re
>>> regstr = ".*([0-9０-９]{3}[-ー]{1}[0-9０-９]{4}).*"

>>> re.match( regstr, "this is obviously not going to work")
>>> re.match( regstr, "this is going to work 123-4567")
<_sre.SRE_Match object at 0x7fced8b485d0>
>>> re.match( regstr, "this is going to work too １２３ー４５６７")
<_sre.SRE_Match object at 0x7fced8b48648>

>>> re.match( regstr, "This will not work, as it should not :  1234-567")
>>> re.match( regstr, "This should not work, but it does :  １２３４ー５６７")
<_sre.SRE_Match object at 0x7fced8b48648>
>>> re.match( regstr, "Now just seems crazy ....... 京都府")
<_sre.SRE_Match object at 0x7fced8b485d0>
>>> re.match( regstr, "京都府")
<_sre.SRE_Match object at 0x7fced8b48648>

>>> "京都府"
'\xe4\xba\xac\xe9\x83\xbd\xe5\xba\x9c'
>>> re.match( regstr, "\xe4\xba\xac\xe9\x83\xbd\xe5\xba\x9c")
<_sre.SRE_Match object at 0x7fced8b48648>

我试着输入汉字，但我试过的两个汉字不匹配。你知道吗

所以住在京都县的人。。。似乎可以“绕过”正则表达式，因为“京都府”足以使整个字符串有效。 这三个角色中只有两个行不通。你知道吗

我试过使用这三个字符的unicode代码，但它也匹配（我想知道是否可以使用代码而不是字符本身来解析字符串，并希望确保它不包含真正适合“000-0000”的内容）。它没有，但它仍然匹配正则表达式）。你知道吗

住在东京的人“東京府”会“少”些幸运哈哈：

>>> re.match( regstr, "東京府")
>>> "東京府"
'\xe6\x9d\xb1\xe4\xba\xac\xe5\xba\x9c'

我查过：https://regex101.com/这3个字符没有

所以。。。我在这里迷路了。 更简单的“（[0-9]{3}[-]{1}[0-9]{4}）。“作为regexp，它看起来很好，但我真的不想限制用户只输入[0-9-]，因为许多人将输入日语版本0123456789ー（更长）。 如果有关系：

# 'Japanese numbers' code
>>> "０１２３４５６７８９ー"
'\xef\xbc\x90\xef\xbc\x91\xef\xbc\x92\xef\xbc\x93\xef\xbc\x94\xef\xbc\x95\xef\xbc\x96\xef\xbc\x97\xef\xbc\x98\xef\xbc\x99\xe3\x83\xbc'

我将把日语0123456798ー转换成0123456789-现在，应用一个不包含日语字符的正则表达式，但是。。。我真的很想知道正则表达式和日语字符是怎么回事。你知道吗

如果有人有线索的话，我将不胜感激。你知道吗

干杯

编辑：python 2.7

Answer 1

regstr = ".*([0-9０-９]{3}[-ー]{1}[0-9０-９]{4}).*"

在python3中，regstr将是包含一些非ascii字符的unicode字符串。在python2中，它是以某种编码方式编码的字符串，这取决于您在模块开头声明的内容（请参见PEP 263）以及实际用于保存文件的编码。为了避免这样的问题，我建议您永远不要在regex中使用unicode字符。这太难调试了。而不是逃离他们。你知道吗

字符0123456789是unicode字符'\uff10'到'\uff19'，所以我建议您应该这样使用它们。你知道吗

此外，如果您使用的是unicode正则表达式，那么应该使用unicode strings的u前缀来定义它：

regstr = u".*([0-9\uff10-\uff19]{3}[-\u30fc]{1}[0-9\uff10-\uff19]{4}).*"

稍后，当您将这个正则表达式与某个字符串匹配时，另一个字符串也应该是unicode字符串，而不是普通的str。为此，您必须知道输入的编码方式。例如，如果输入是utf-8，则使用：

input_string_as_unicode = unicode(input_string_as_utf8, 'utf-8')
re.match(regstr, input_string_as_unicode)

请注意，您可能已经有了作为unicode的输入，如果有一些框架支持您这样做的话。如果您不确定，请检查type(input_string)。你知道吗