python正则默认支持unicode，\w等元字符可匹配中文、重音字母等；需用re.ascii限制ascii范围，unicode码点区间或regex库的\p{}属性实现精准多语言匹配。

正则表达式处理 Unicode 字符，核心在于理解匹配行为是否按 Unicode 语义展开，而不是只盯着 ASCII。Python 默认已启用 Unicode 模式（Python 3+），但关键细节决定成败：元字符范围、属性支持、编码一致性、标志位控制——缺一不可。

默认行为与 flag 控制

Python 的 re 模块默认把 \w、\d、\s 解释为 Unicode 类别，比如 \w 能匹配中文、带重音的拉丁字母（如 á, ñ）、希腊字母等：

• re.findall(r'\w+', 'Páginas 你好 123') → ['Páginas', '你好', '123']
• 若只想匹配 ASCII 字符，加 re.ASCII（或 re.A）：结果只剩 ['Páginas', '123'] 中的 Páginas（注意：á 不属 ASCII，所以实际只保留 P 和 ginas 两段，取决于引擎对非 ASCII 字母的处理）
• re.UNICODE（或 re.U）在 Python 3 中已是默认，显式写上更清晰，尤其在跨版本兼容时

用 Unicode 编码范围精准定位

当需要限定某类文字（如仅汉字、仅日文假名），直接使用 Unicode 码点区间最稳妥，不依赖第三方库：

叮当好记-AI音视频转图文

叮当好记是一款将音视频内容转录、总结并生成图文笔记的 AI 学习与会议记录工具。

下载

• 中文常用字：[\u4e00-\u9fff]
• 日文平假名：[\u3040-\u309f]；片假名：[\u30a0-\u30ff]
• 阿拉伯数字 + 全角数字 + 汉字数字：[\u0030-\u0039\uFF10-\uFF19\u4E00-\u4E09\u4E8C\u4E09\u56DB\u4E94\u516D\u4E03\u516B\u4E5D\u96F6]（需按需扩展）
• 注意：范围要查证，例如 emoji 不在基本多文种平面（BMP），部分需用 \U0001F600 这类 8 位转义

用 \p{} 属性做语义化匹配

标准 re 模块不支持 \p{...}，但安装 regex 库后即可使用，这是处理多语言最灵活的方式：

• pip install regex，然后 import regex as re
• \p{Han}：所有汉字（含扩展区）
• \p{Script=Latin} 或 \p{Script=Cyrillic}：按书写系统区分
• \p{L}：任意字母（中/英/阿/希等）；\p{N}：任意数字；\p{Emoji}：表情符号
• 否定写法：\P{Han} 匹配非汉字字符

避免常见陷阱

很多问题不是“匹配不到”，而是“匹配得不对”：

• 输入文本和正则字符串必须同为 UTF-8（或一致编码），否则出现乱码或空匹配
• . 默认不匹配换行符，也**不自动匹配所有 Unicode 字符**（除非开启 re.DOTALL，且仍受 Unicode 模式影响）；更可靠的是用 [\s\S] 或 [\u0000-\U0010FFFF]
• re.IGNORECASE 在 Unicode 模式下会匹配语言特定大小写（如土耳其语的 İ/ı），若要严格 ASCII 大小写，组合 re.I | re.A
• 不要依赖 [a-z] 匹配“所有小写字母”——它只覆盖 ASCII，应改用 \p{Ll}（小写字母）或 \p{L} + 后处理