2.6　在正则表达式中使用Unicode字符

在实际应用中，我们需要使用正则表达式处理Unicode字符。

默认情况下，re模块已经对一些Unicode字符类有了基本的支持。比如，\\d已经匹配任意的unicode数字字符，相关代码（re_unicode.py）示例如下：

import re
num = re.compile('\d+')
print(num.match('123'))
print(num.match('\u0661\u0662\u0663'))

执行py文件，输出结果如下：

<re.Match object; span=(0, 3), match='123'>
<re.Match object; span=(0, 3), match='١٢٣'>

如果想在模式中包含指定的Unicode字符，可以使用Unicode字符对应的转义序列（比如\uFFF或者\UFFFFFFF）。下面是一个匹配不同阿拉伯编码页面中所有字符的正则表达式，代码如下：

arabic = re.compile('[\u0600-\u06ff\u0750-\u077f\u08a0-\u08ff]+')
print(arabic)

当执行匹配和搜索操作的时候，最好先处理所有文本为标准化格式，但也应该注意一些特殊情况，如忽略大小写匹配和大小写转换的行为。

pat = re.compile('stra\u00dfe', re.IGNORECASE)
test_str = 'straße'
print(pat.match(test_str))
print(pat.match(test_str.upper()))
print(test_str.upper())

混合使用Unicode和正则表达式通常没有那么好处理。如果真这样做，最好安装第三方正则表达式库，它会为Unicode的大小写转换和其他特性提供全面的支持，包括模糊匹配。