共计 2075 个字符，预计需要花费 6 分钟才能阅读完成。
上周，我的测试同事告诉我，你的用户名怎么还允许中文啊？当时我心里就想，你们测试肯定又搞错接口了，我用的是正则 w 过滤了参数，怎么可能出错，除非 Python 正则系统出错了，那是不可能的。本着严谨的作风，我自己先测试一下，没问题看我怎么怼回去。可是当我测试，我就懵逼了，中文真 TM 都验证通过，不对啊，我以前也是这么过滤参数的，测试没问题啊？唯一的区别是现在用的是 Python3。
上网搜了一圈，发现没有一篇文章讲述 Python2 和 Python3 的正则在处理字符串是的区别，都是一视同仁，知道我去翻了一遍官方文档，才明白怎么回事。
问题复现
我们都知道，Python 有个正则规则 \w，几乎所有的网上博客文章都告诉你，这个规则匹配字母数字及下划线，但实际并不是这样：
有 Python2 代码如下：
~|⇒ pythonPython 2.7.10 (default, Aug 17 2018, 19:45:58)
[GCC 4.2.1 Compatible Apple LLVM 10.0.0 (clang-1000.0.42)] on darwinType "help", "copyright", "credits" or "license" for more information.>>> import re>>> aa = '捕蛇者说'>>> re.match('\w{1,20}', aa)>>> bb = 'abc123ADB'>>> re.match('\w{1,20}', bb)
<_sre.SRE_Match object at 0x1031b0b28>
我们可以看到，在 python2 中，\w是无法匹配中文的。那么，同样的代码在 Python3 中运行结果是什么样子的了？
~|⇒ python3Python 3.7.1 (default, Nov 28 2018, 11:55:14)
[Clang 9.0.0 (clang-900.0.39.2)] on darwinType "help", "copyright", "credits" or "license" for more information.>>> import re>>> aa = '捕蛇者说'>>> re.match('\w{1,20}', aa)
<re.Match object; span=(0, 4), match='捕蛇者说'>>>> bb = 'abc123ADB'>>> re.match('\w{1,20}', bb)
<re.Match object; span=(0, 9), match='abc123ADB'>
但在 Python3 中 \w 是可以匹配中文的，这是怎么回事了？要回答这个问题，我们要回到 Python 官方文档中来寻找答案。
解决问题
当我们仔细阅读 Python 的官方文档时，就会发现，对于同样的正则规则\w，Python2 和 Python3 区别好大，我们先来看看 Python2：
When the LOCALE and UNICODE flags are not specified, matches any alphanumeric character and the underscore; this is equivalent to the set [a-zA-Z0-9_]. With LOCALE, it will match the set [0-9_] plus whatever characters are defined as alphanumeric for the current locale. If UNICODE is set, this will match the characters [0-9_] plus whatever is classified as alphanumeric in the Unicode character properties database.
翻译一下：当没有设置 LOCALE(re.L)和 UNICODE(re.U)标志，匹配数字字母和下划线，如果设置了 LOCALE(re.L)则匹配数字下划线和 LOCALE 文字。如果设置了 UNICODE(re.U)标志，匹配数字下划线和 Unicode 字符集里的字符。
那么 Python3 了：
对于 Unicode (str) 样式：匹配 Unicode 词语的字符，包含了可以构成词语的绝大部分字符，也包括数字和下划线。如果设置了 ASCII 标志，就只匹配 [a-zA-Z0-9_]。对于 8 位 (bytes) 样式：匹配 ASCII 字符中的数字和字母和下划线，就是 [a-zA-Z0-9_]。如果设置了 LOCALE 标记，就匹配当前语言区域的数字和字母和下划线。到此，我明白了，默认情况下，不设置任何标志，Python2 w 匹配 ASCII 字符集里的字符，包括数字字符和下划线，Python3 w 匹配数字下划线和 Unicode 字符集。所以，为了迁移方便，如果你想匹配 ASCII 字符集里的字符，指定标志为 re.A，如果你想匹配 Unicode 字符集里的字符，指定标志为 re.U。
总结
到此，我的问题是彻底解决了，但也有两个教训：
- 看网上的教程要多注意，特别是教程里的环境和自己环境的区别
- 多看官方文档
关于 Python2 和 Python3，还有很多区别，这里就不一一列举了，欢迎大家留言讨论。
