Python 上的正则表达式在使用 char class 时打印垃圾

Question

Python 2.7

我正在处理一个 utf-8 编码的文件（希腊语），regex 似乎有一些问题。

当我不使用 char class 时，

Regex 似乎工作正常。当我这样做时：

        text = re.sub('αυ','kk',text,flags=re.UNICODE)

一切正常，例如“αυτιì”将转换为 'kkτιά'。

但是，当我想像这样使用 char class 时：

        text = re.sub('αυ[τ]','kk',text,flags=re.UNICODE)

显示垃圾字符，'αυτιì'被转换为'kk�ia'。是编码问题还是我的 regex 有问题？不好意思，我对 regex 的心态还很陌生。

谢谢！

Answer 1

传递 unicode 对象而不是字符串：

>>> print re.sub('αυ[τ]', 'kk', 'αυτιά', flags=re.UNICODE)
kk▒ιά
>>> print re.sub(u'αυ[τ]', u'kk', u'αυτιά', flags=re.UNICODE)
kkιά

Regex on Python prints Garbage when use char class