Unicode空白是否有Python常量？

这个问题被确定为 Python -how-to-list-all-characters-matched-by-posix-extended-regex-space?lq=1″>

In Python, how to list all characters matched by POSIX extended regex [:space:] ?的副本,但该问题的答案确定了搜索空格字符来生成自己的列表的方法.这是一个耗时的过程.我的问题就是一个常数.

Is there a Python constant for Unicode whitespace?

简短的答案：不,我在 Python 代码库中个人对这些字符(特别是数字代码点)进行了grepped,而且这个常量不存在.

下面的部分说明为什么它不是必需的,以及如何在没有这些信息作为常数的情况下实现它.但是有这样一个常数也是一个非常糟糕的主意.

如果Unicode Consortium添加了语义空格的另外一个字符/代码点,那么Python的维护者在继续支持语义不正确的代码或者改变可能(不当地)做出假设的常量和可能的破坏的现有代码之前,选择不好关于常数不变.

如何添加这些字符代码点？ Unicode中有1,111,998个可能的字符.但截至 version 8 ,只有120,672个被占用.每个新版本的Unicode可能会添加其他字符.这些新角色之一可能是一种空白形式.

信息存储在动态生成的C函数中

确定unicode中什么是空格的代码是以下动态生成的 code .

# Generate code for _PyUnicode_IsWhitespace()
print("/* Returns 1 for Unicode characters having the bidirectional", file=fp)
print(" * type 'WS', 'B' or 'S' or the category 'Zs', 0 otherwise.", file=fp)
print(" */", file=fp)
print('int _PyUnicode_IsWhitespace(const Py_UCS4 ch)', file=fp)
print('{', file=fp)
print('    switch (ch) {', file=fp)
for codepoint in sorted(spaces):
    print('    case 0x%04X:' % (codepoint,), file=fp)
print('        return 1;', file=fp)
print('    }', file=fp)
print('    return 0;', file=fp)
print('}', file=fp)
print(file=fp)

这是一个switch语句,它是一个常量的代码块,但是这个信息不像模块“constant”那样可用.它被埋在从C编译的函数中,而不是直接从Python访问.

这可能是因为将更多的代码点添加到Unicode中,因为向后兼容性原因,我们将无法更改常量.

生成的代码

以下是当前生成的代码 at the tip ：

int _PyUnicode_IsWhitespace(const Py_UCS4 ch)
{
    switch (ch) {
    case 0x0009:
    case 0x000A:
    case 0x000B:
    case 0x000C:
    case 0x000D:
    case 0x001C:
    case 0x001D:
    case 0x001E:
    case 0x001F:
    case 0x0020:
    case 0x0085:
    case 0x00A0:
    case 0x1680:
    case 0x2000:
    case 0x2001:
    case 0x2002:
    case 0x2003:
    case 0x2004:
    case 0x2005:
    case 0x2006:
    case 0x2007:
    case 0x2008:
    case 0x2009:
    case 0x200A:
    case 0x2028:
    case 0x2029:
    case 0x202F:
    case 0x205F:
    case 0x3000:
        return 1;
    }
    return 0;
}

让自己不断变化：

Python 3中的以下代码(从我的答案 here )生成一个所有空格的常量：

import re
import sys

s = ''.join(chr(c) for c in range(sys.maxunicode+1))
ws = ''.join(re.findall(r'\s', s))

作为优化,您可以将其存储在代码库中,而不是在每个新进程中自动生成代码,但我谨防止假定它永远不会改变.

>>> ws
'\t\n\x0b\x0c\r\x1c\x1d\x1e\x1f \x85\xa0\u1680\u2000\u2001\u2002\u2003\u2004\u2005\u2006\u2007\u2008\u2009\u200a\u2028\u2029\u202f\u205f\u3000'

(链接的问题的其他答案显示如何获得Python 2.)

记住,有一点,有些人可能认为256字符编码是我们所需要的.

>>> import string
>>> string.whitespace
' \t\n\r\x0b\x0c'

如果您坚持在代码库中保持不变,只需为您的Python版本生成常量,并将其存储为文字：

unicode_whitespace = u'\t\n\x0b\x0c\r\x1c\x1d\x1e\x1f \x85\xa0\u1680\u2000\u2001\u2002\u2003\u2004\u2005\u2006\u2007\u2008\u2009\u200a\u2028\u2029\u202f\u205f\u3000'

u前缀使它在Python 2中是unicode(2.7恰好将上面的整个字符串识别为空格),在Python 3中,默认情况下,字符串字面值为unicode将被忽略.