str.isidentifier()
работает. Ответы регулярных выражений неправильно не соответствуют некоторым допустимым идентификаторам python и неправильно соответствуют некоторым недопустимым.
str.isidentifier()
Возвращает true, если строка является допустимым идентификатором в соответствии с определением языка, раздел Идентификаторы и ключевые слова.
Используйте keyword.iskeyword()
для проверки зарезервированных идентификаторов, таких как def и class.
Комментарий @ martineau дает пример '℘᧚'
, где решения регулярных выражений терпят неудачу.
>>> '℘᧚'.isidentifier()
True
>>> import re
>>> bool(re.search(r'^[^\d\W]\w*\Z', '℘᧚'))
False
Почему это происходит?
Давайте определим наборы кодовых точек, которые соответствуют заданному регулярному выражению, и набор, который соответствует str.isidentifier
.
import re
import unicodedata
chars = {chr(i) for i in range(0x10ffff) if re.fullmatch(r'^[^\d\W]\w*\Z', chr(i))}
identifiers = {chr(i) for i in range(0x10ffff) if chr(i).isidentifier()}
Сколько совпадений регулярных выражений не являются идентификаторами?
In [26]: len(chars - identifiers)
Out[26]: 698
Сколько идентификаторов не соответствует регулярному выражению?
In [27]: len(identifiers - chars)
Out[27]: 4
Интересно - какие?
In [37]: {(c, unicodedata.name(c), unicodedata.category(c)) for c in identifiers - chars}
Out[37]:
set([
('\u1885', 'MONGOLIAN LETTER ALI GALI BALUDA', 'Mn'),
('\u1886', 'MONGOLIAN LETTER ALI GALI THREE BALUDA', 'Mn'),
('℘', 'SCRIPT CAPITAL P', 'Sm'),
('℮', 'ESTIMATED SYMBOL', 'So'),
])
Чем отличаются эти два набора?
Они имеют разные значения Unicode «Общая категория».
In [31]: {unicodedata.category(c) for c in chars - identifiers}
Out[31]: set(['Lm', 'Lo', 'No'])
Из википедии это Letter, modifier
; Letter, other
; Number, other
. Это согласуется с документами, поскольку \d
— это только десятичные цифры:
\d
Соответствует любой десятичной цифре Unicode (то есть любому символу в категории символов Unicode [Nd])
А как насчет другого пути?
In [32]: {unicodedata.category(c) for c in identifiers - chars}
Out[32]: set(['Mn', 'Sm', 'So'])
Это Mark, nonspacing
; Symbol, math
; Symbol, other
.
Где это все задокументировано?
Где это реализовано?
https://github.com/python/cpython/commit/47383403a0a11259acb640406a8efc38981d2255
Я все еще хочу регулярное выражение
Посмотрите модуль regex в PyPI.
Эта реализация регулярного выражения обратно совместима со стандартным модулем «re», но предлагает дополнительные функции.
Он включает фильтры для «Общей категории».
person
Hatshepsut
schedule
06.01.2019