正規表現でのUmlauts（ロケール経由）

Question

正規表現でドイツ語のウムラウトとマッチングできないのに驚いています。私はいくつかのアプローチを試しました。ロケールの設定に最も関わっていましたが、これまでは役に立たなかったのです。これらのバージョンの

locale.setlocale(locale.LC_ALL, 'de_DE.UTF-8') 
re.findall(r'\w+', 'abc def g\xfci jkl', re.L) 
re.findall(r'\w+', 'abc def g\xc3\xbci jkl', re.L) 
re.findall(r'\w+', 'abc def güi jkl', re.L) 
re.findall(r'\w+', u'abc def güi jkl', re.L) 

なし\w+で正しくウムラウト-U（U）と一致しません。また、re.Lフラグを削除するか、パターン文字列の先頭にuという接頭辞を付けて（ユニコードにする）、私には役に立たなかった。

アイデア？フラグre.Lはどのように正しく使用されていますか？

Answer 1

docに記載されているように、re.UNICODEフラグを使用しようとしましたか？このthreadへ

>>> re.findall(r'\w+', 'abc def güi jkl', re.UNICODE) 
['abc', 'def', 'g\xc3\xbci', 'jkl'] 

クイック検索ポイントいくつかの説明を与えること：

re.LOCALEはちょうど基礎となるCライブラリに文字を渡します。 は実際には1文字あたり1バイトのバイトストリングでしか動作しません。 UTF-8 は、ASCII範囲外のコードポイントを コードポイントごとに複数のバイトにエンコードし、reモジュールはこれらのバイトのそれぞれを の別の文字として扱います。私の場合は

Answer 2

が\Sが私に\wよりも良い結果を与え、プラスUTF-8のファイルを保存し、プラスre.UNICODE