# -*- coding: utf-8 -*-
from __future__ import unicode_literals
import unicodedata
import re
import regex # $ pip install regex
word = "??????"
def test(re_):
assert re_.search("^\\w+$", word, flags=re_.UNICODE)
print([unicodedata.category(cp) for cp in word])
print(" ".join(ch for ch in regex.findall("\\X", word)))
assert all(regex.match("\\w$", c) for c in ["a", "\u093f", "\u0915"])
test(regex)
test(re) # fails
输出结果显示，中有6个代码点"??????"，但只有3个用户可感知的字符（扩展的字素簇）。 Unicode文本分段说：
词素 ，行边界和句子边界 不应出现在 字素 簇中 ：换句话说，就确定这些其他边界的过程而言，字素簇应该是一个原子单位。
在这里，进一步的重点是我的
单词边界在docs中\b定义为从\w到\W（或反向）的过渡：
请注意，形式上，\ b定义为\ w和\ W字符之间的边界（反之亦然）或\ w与字符串的开头/结尾之间的边界，…
因此，构成单个字符的所有代码点都是\w或全部\W。在这种情况下"??????"匹配^\w{6}$。
如果设置了UNICODE，它将匹配字符[0-9_]加上 Unicode字符属性数据库中 分类为 字母数字的 任何 字符 。
匹配Unicode单词字符；这 包括可以在任何语言中的单词的一部分大多数字符 ，以及数字和下划线。
从regex文档：
“单词”字符的定义（问题＃1693050）：
“单词”字符的定义已扩展为Unicode。现在，它符合Unicode规范，网址为http://www.unicode.org/reports/tr29/。这适用于\ w，\ W，\ b和\ B。
根据unicode.org U+093F（DEVANAGARI VOWEL SIGN I），它是字母和数字，因此即使我们遵循并非基于单词边界的定义，regex也应该考虑它\w。
602392714
清零编程群