08 | 应用1：正则如何处理 Unicode 编码的文本？

有点看着蒙圈了，unicode和utf-8不都是编码吗？不都是对字符的编码？他们之间的关系没有搞太清楚

我的答案： 客重复3次，如果重复的是最后一个字节，就这样‘极(客){3}’, 给客加个括号分组。 请老师指正？

解释一下UTF-8的编码规则，会比较好理解文章中提到的Unicode和UTF-8的转化： 对于单个字节的字符，第一位设为 0，后面的 7 位对应这个字符的 Unicode 码点。因此，对于英文中的 0 - 127 号字符，与 ASCII 码完全相同。这意味着 ASCII 码那个年代的文档用 UTF-8 编码打开完全没有问题。 对于需要使用 N 个字节来表示的字符（N > 1），第一个字节的前 N 位都设为 1，第 N + 1 位设为 0，剩余的 N - 1 个字节的前两位都设位 10，剩下的二进制位则使用这个字符的 Unicode 码点来填充。

请问例子里有一个表达式是findall(r’(?a)^.$’, ‘学’)，这里面的?a是啥意思？

python2中的str等同于python3中的bytes类型， 而python2中的unicode等于python3中的str类型

Unicode和gbk编码时，即刻，时间两个词都包含相同的16位数，为什么unicode匹配不了，而gbk的可以匹配？

感谢老师加了 js 的代码示例，对于不会后端语言的还是很友好的

print(u'正'.encode('utf-8')) # 全角正则和全角字符串，不能匹配到 print(re.findall(r'＼ｗ＋', 'ａｂｃｄｅｆ')) # 输出[] # 半角正则和全角字符串，能够匹配到 print(re.findall(r'\w+', 'ａｂｃｄｅｆ')) # 输出['ａｂｃｄｅｆ'] # 半角正则和半角字符串，能够匹配到 print(re.findall(r'\w+', 'abcdef')) # 输出['abcdef'] # 同上 print(re.findall(r'＼ｄ＋', '１２３４５６')) # 输出[] print(re.findall(r'\d+', '１２３４５６')) # 输出['１２３４５６'] print(re.findall(r'\d+', '123456')) # 输出['123456'] # 同上 print(re.findall(r'＼ｓ＋', '　　')) # 输出[] print(re.findall(r'\s+', '　　')) # 输出['\u3000\u3000'] print(re.findall(r'\s+', ' ')) # [' '] # “极客{3}”的时候，代表是“客”这个汉字重复 3 次 re.compile(r'极客{3}', re.DEBUG) print(re.findall(r'极客{3}', '极客客客')) # 思考题没有想到好的解决方法 print(re.compile(str(u'极客'.encode('utf-8')[-1:]).replace('b', '')), re.DEBUG)

py3下测试 re.findall('极客{3}', '极客客客客气气气') 结果：['极客客客']

对编码知识一直模棱两可的，顺着这个再梳理一下吧