Unicode,正则表达式和PyPy

Question

我编写了一个程序来为Python正则表达式添加(有限的)unicode支持,虽然它在CPython 2.5.2上工作正常,但它不适用于PyPy(1.5.0-alpha0 1.8.0,实现Python 2.7.1 2.7.2),两者都运行在Windows XP上(编辑:如评论中所示,@ dbaupp可以在Linux上正常运行).我不知道为什么,但我怀疑它与我对u"和的使用有关ur".完整的源代码在这里,相关的位是:

# -*- coding:utf-8 -*-
import re

# Regexps to match characters in the BMP according to their Unicode category.
# Extracted from Unicode specification, version 5.0.0, source:
# http://unicode.org/versions/Unicode5.0.0/
unicode_categories = {
    ur'Pi':ur'[\u00ab\u2018\u201b\u201c\u201f\u2039\u2e02\u2e04\u2e09\u2e0c\u2e1c]',
    ur'Sk':ur'[\u005e\u0060\u00a8\u00af\u00b4\u00b8\u02c2-\u02c5\u02d2-\u02df\u02...',
    ur'Sm':ur'[\u002b\u003c-\u003e\u007c\u007e\u00ac\u00b1\u00d7\u00f7\u03f6\u204...',
    ...
    ur'Pf':ur'[\u00bb\u2019\u201d\u203a\u2e03\u2e05\u2e0a\u2e0d\u2e1d]',
    ur'Me':ur'[\u0488\u0489\u06de\u20dd-\u20e0\u20e2-\u20e4]',
    ur'Mc':ur'[\u0903\u093e-\u0940\u0949-\u094c\u0982\u0983\u09be-\u09c0\u09c7\u0...',
}

def hack_regexp(regexp_string):
    for (k,v) in unicode_categories.items():
        regexp_string = regexp_string.replace((ur'\p{%s}' % k),v)
    return regexp_string

def regex(regexp_string,flags=0):
    """Shortcut for re.compile that also translates and add the UNICODE flag

    Example usage:
        >>> from unicode_hack import regex
        >>> result = regex(ur'^\p{Ll}\p{L}*').match(u'áÇñ123')
        >>> print result.group(0)
        áÇñ
        >>> 
    """
    return re.compile(hack_regexp(regexp_string), flags | re.UNICODE)

(在PyPy上,"示例用法"中没有匹配,所以result是None)

重申一下,该程序运行正常(在CPython上):Unicode数据看似正确,替换按预期工作,用法示例运行正常(通过doctest直接在命令行中输入).源文件编码也是正确的,并且coding标头中的指令似乎被Python识别.

关于PyPy做什么"不同"的任何想法都破坏了我的代码？许多事情发生在我脑海中(无法识别的coding标题,命令行中的不同编码,对r和的不同解释u)但是就我的测试而言,CPython和PyPy似乎行为相同,所以我对接下来要尝试的内容毫无头绪.

Answer 1

你为什么不简单地使用Matthew Barnett的超级推荐regexp模块呢？

它适用于Python 3和遗留Python 2,是一个替代品re,可以处理您想要的所有Unicode内容,还有更多.

Answer 2

似乎PyPy在读取源文件(coding可能是无法识别的标题)和在命令行中输入/输出时都有一些编码问题.我用以下代码替换了我的示例代码:

>>> from unicode_hack import regex
>>> result = regex(ur'^\p{Ll}\p{L}*').match(u'áÇñ123')
>>> print result.group(0) == u'áÇñ'
True
>>>

它继续在CPython上运行并且在PyPy上失败了.为其逃脱的角色取代"áÇñ" u'\xe1\xc7\xf1'- OTOH做了诀窍:

>>> from unicode_hack import regex
>>> result = regex(ur'^\p{Ll}\p{L}*').match(u'\xe1\xc7\xf1123')
>>> print result.group(0) == u'\xe1\xc7\xf1'
True
>>>

这对两者都很好.我认为问题仅限于这两种情况(源加载和命令行),因为尝试使用codecs.open工作正常打开UTF-8文件.当我尝试在命令行中输入字符串"áÇñ"时,或者当我使用"unicode_hack.py"加载源代码时codecs,我在CPython上得到相同的结果:

>>> u'áÇñ'
u'\xe1\xc7\xf1'
>>> import codecs
>>> codecs.open('unicode_hack.py','r','utf8').read()[19171:19174]
u'\xe1\xc7\xf1'

但PyPy的结果不同:

>>>> u'áÇñ'
u'\xa0\u20ac\xa4'
>>>> import codecs
>>>> codecs.open('unicode_hack.py','r','utf8').read()[19171:19174]
u'\xe1\xc7\xf1'

更新: 在PyPy错误跟踪系统上提交的问题1139,让我们看看结果如何......