在"窄"Python构建中,我们应该使用特殊的正则表达式模式来匹配代理项对的范围。此模式可能相当复杂:
# Pattern we want:
pattern = '[U000105c0-U0001cb40]'
# Pattern we should use in "narrow" build:
pattern = '(?:uD801[uDDC0-uDFFF]|[uD802-uD831][uDC00-uDFFF]|uD832[uDC00-uDF40])'
但是如何为给定的任意代理项范围(例如 U000105c0
- U0001cb40
(创建一个?
创建此模式的算法是什么?
Python中是否有现成的解决方案?
安装 http://www.regexformat.com 应用程序。
(适用于窗户(
您可以在任何范围内执行以下操作。
只需要一个正则表达式来描述它(或任何内容(。
打开UCD Interface
https://i.stack.imgur.com/bNTGV.jpg
在">自定义接收"页上,输入"[x{105c0}-x{1cb40}]
在输出
中选择所需的转换语法(这x{}
语法使用(。
单击按钮Get Hex Conversion
-> UTF-16
(这是一个菜单按钮(
复制"结果"框底部的正则表达式。
(?:
x{D801} [x{DDC0}-x{DFFF}]
| [x{D802}-x{D831}] [x{DC00}-x{DFFF}]
| x{D832} [x{DC00}-x{DF40}]
)
如果您将其粘贴到其中一个主要应用程序文档中,
并且点击压缩,事实证明
(?:x{D801}[x{DDC0}-x{DFFF}]|[x{D802}-x{D831}][x{DC00}-x{DFFF}]|x{D832}[x{DC00}-x{DF40}])
这里它使用 uXXXX
语法
(?:uD801[uDDC0-uDFFF]|[uD802-uD831][uDC00-uDFFF]|uD832[uDC00-uDF40])
我创建了处理我们可能需要的大多数情况的函数。
Python 2 代码:
from __future__ import absolute_import, division, print_function, unicode_literals
__metaclass__ = type
import struct
def unichar(i):
"""
unichr for "narrow" builds.
"""
try:
return unichr(i)
except ValueError:
return struct.pack('i', i).decode('utf-32')
def get_pattern(char_from, char_to):
"""
Returns regex pattern for unicode chars that handles surrogates in "narrow" builds.
"""
if all(len(c) == 1 for c in (char_from, char_to)):
if char_from == char_to:
return char_from
else:
return '[{}-{}]'.format(char_from, char_to)
elif all(len(c) == 2 for c in (char_from, char_to)):
f1, f2 = [ord(i) for i in char_from]
t1, t2 = [ord(i) for i in char_to]
if t1 - f1 == 0:
p1 = '{}[{}-{}]'.format(unichar(f1), unichar(f2), unichar(t2))
return '(?:' + p1 + ')'
elif t1 - f1 == 1:
p1 = '{}[{}-uDFFF]'.format(unichar(f1), unichar(f2))
p3 = '{}[uDC00-{}]'.format(unichar(t1), unichar(t2))
return '(?:' + '|'.join([p1, p3]) + ')'
else:
p1 = '{}[{}-uDFFF]'.format(unichar(f1), unichar(f2))
p2 = '[{}-{}][uDC00-uDFFF]'.format(unichar(f1+1), unichar(t1-1), unichar(f2))
p3 = '{}[uDC00-{}]'.format(unichar(t1), unichar(t2))
return '(?:' + '|'.join([p1, p2, p3]) + ')'
else:
raise ValueError('Range is not supported by this function {}-{}'.format(char_from, char_to))
# Example:
if __name__ == '__main__':
print(repr(get_pattern('U000105c0', 'U0001cb40')))
# (?:ud801[uddc0-udfff]|[ud802-ud831][udc00-udfff]|ud832[udc00-udf40])