Desarrollo de Python
  1. Desarrollo de Python
  3. Usando rango en expresiones regulares para letras árabes
Intereting Posts
¿Cómo puedo usar múltiples solicitudes y pasar elementos entre ellos en scrapy python? Cómo recrear un env virtual en python Problema de asignación múltiple de Python (lista) ¿Por qué + = de una lista dentro de una tupla de Python eleva TypeError pero modifica la lista de todos modos? En Python 2.7, ¿cómo invalido la representación de cadena de una sola función? ¿Cuál es la forma pythonica de desempacar las tuplas? Eliminar columnas sin nombre en el dataframe de pandas Raspando el sitio web de desplazamiento infinito con Selenium en Python str.format () plantea KeyError ¿Cómo crear un commit y empujar en repo con GitHub API v3? agregar soporte de derivación a CountVectorizer (sklearn) obteniendo nombre de objeto y función ¿Cómo ejecuto python 3.5 en Sublime Text 3? ¿Obtener el índice entero de una fila de Pandas DataFrame que cumple una condición? Spark Dataframe – Python – cuenta subcadenas en cadena

Usando rango en expresiones regulares para letras árabes

Cuando se usa Regex en Python, es fácil usar corchetes para representar un rango de caracteres az , pero esto no parece funcionar para otros idiomas, como el árabe: 

 import re pattern = '[ي-ا]' p = re.compile(pattern)

Esto resulta en un informe de error largo que termina con 

 raise error("bad character range") sre_constants.error: bad character range

¿Cómo se puede arreglar esto?

Usa escapes de Unicode en su lugar. 

 >>> re.compile('[\u0627-\u064a]') <_sre.SRE_Pattern object at 0x237f460>

Dado que el carácter árabe se representa de derecha a izquierda, la cadena correcta a continuación, que dice “de ا a ي “, se procesa al revés (intente seleccionar la cadena si desea confirmar): 

 '[ا-ي]'

Salida de consola: 

 >>> re.compile('[ا-ي]') <_sre.SRE_Pattern object at 0x6001f0a80> >>> re.compile('[ا-ي]', re.DEBUG) in range (1575, 1610) <_sre.SRE_Pattern object at 0x6001f0440>

Entonces, su patrón '[ي-ا]' , es en realidad “de ي a ا “, que es un rango no válido, ya que el punto de código de ا es más pequeño que el punto de código de ي .

Para evitar confusiones, la sugerencia de Ignacio Vázquez-Abrams de usar Unicode escape es una buena alternativa a la solución que proporcioné anteriormente.