這篇會用 Python re 模組 來講清楚三個很常一起出現、卻也很容易混淆的東西：

• re.split()
• \W|_
• flags=re.ASCII

也會順便說明：

• \w / \W 到底是什麼
• 為什麼中文會影響匹配結果
• 什麼時候用 re.split() 反而比複雜 regex 更清楚

一、先認識 re.split()

re.split() 的用途是：

用「符合 regex 的分隔符」來切字串

一般字串切割你可能會寫：

text.split("_")

text.split("_")

但如果你的分隔符不只一種，例如：

• _
• -
• 空白

那 str.split() 就不夠方便了，這時可以用 re.split()。

基本語法

import re

re.split(pattern, text)

import re

re.split(pattern, text)

• pattern：分隔規則（regex）
• text：要切的字串

例子：同時用底線、連字號、空白切字串

import re

text = "ARGOS_V3-Rayado Peak"
parts = re.split(r'[_\-\s]+', text)
print(parts)

import re

text = "ARGOS_V3-Rayado Peak"
parts = re.split(r'[_\-\s]+', text)
print(parts)

輸出：

['ARGOS', 'V3', 'Rayado', 'Peak']

['ARGOS', 'V3', 'Rayado', 'Peak']

這個 pattern 是什麼意思？

r'[_\-\s]+'

r'[_\-\s]+'

代表：

• _：底線
• \-：連字號 -
• \s：空白字元
• +：一個以上連續出現都當成同一個分隔段

所以像：

ARGOS__V3   Rayado-Peak

ARGOS__V3   Rayado-Peak

也能正確切開。

二、為什麼 re.split() 很實用？

因為很多時候你真正要做的不是：

「寫一條超複雜 regex 一次抓完所有 token」

而是：

「先把明顯分隔符切掉，再對每段做進一步分析」

這種做法通常有三個優點：

1. 可讀性高

你一看就知道分兩步：

• 第一步：切外層分隔符
• 第二步：處理每個片段

2. 好維護

之後如果你想加 . 或 /，只要改 split pattern。

3. 規則更單純

避免把所有條件都塞進 lookahead / lookbehind。

三、什麼是 \w 與 \W？

這兩個是 regex 常見 shorthand。

\w

代表 word character

\W

代表 non-word character
也就是「不是 \w 的字元」

在很多教學裡，\w 常被簡化理解成：

[A-Za-z0-9_]

[A-Za-z0-9_]

也就是：

• 英文大小寫
• 數字
• 底線 _

因此：\W

就可以理解成：

[^A-Za-z0-9_]

[^A-Za-z0-9_]

範例

import re

text = "ABC_123-xy"

print(re.findall(r'\w+', text))
print(re.findall(r'\W+', text))

import re

text = "ABC_123-xy"

print(re.findall(r'\w+', text))
print(re.findall(r'\W+', text))

輸出大致是：

原因是：

• ABC_123 都是 \w
• - 是 \W

四、那為什麼有時候會看到 \W|_？

這個寫法的意思是：

「非單字字元，或底線 _」

\W|_

\W|_

你可能會想問：

_ 不是本來就算在 \W 裡嗎？

答案是：

不是

因為 _ 屬於 \w，不是 \W

所以：

• \W 抓不到 _
• 如果你想把 _ 也當分隔條件，就要另外寫 _

這就是為什麼會看到：

\W|_

\W|_

範例

import re

text = "ABC_123-xy"

print(re.split(r'\W+', text))
print(re.split(r'\W|_', text))

import re

text = "ABC_123-xy"

print(re.split(r'\W+', text))
print(re.split(r'\W|_', text))

輸出是：

解讀

r'\W+'

只會用非 word char 切
所以：

• - 會切
• _ 不會切

r'\W|_'

會用：

• 所有 \W
• 以及 _

來切，所以 _ 也會成為分隔符。

五、re.split() 和 \W|_ 有什麼關係？

如果你寫：

re.split(r'\W|_', text)

re.split(r'\W|_', text)

意思是：

用「非單字字元 或 底線」來切字串

這是一種很常見的切法。

例如：

import re

text = "ARGOS_V3-Test"
print(re.split(r'\W|_', text))

import re

text = "ARGOS_V3-Test"
print(re.split(r'\W|_', text))

輸出：

這和你手動列出分隔符很像。

但兩者思路不同

寫法 A：顯式列出分隔符

re.split(r'[_\-\s]+', text)

re.split(r'[_\-\s]+', text)

寫法 B：使用字元類別

re.split(r'\W|_', text)

re.split(r'\W|_', text)

差異在哪？

A 的特點

你明確指定：

• _
• -
• 空白

更可控、更直觀。

B 的特點

你把很多符號都交給 \W 處理，例如：

• -
• .
• /
• 空白
• (
• )
• ,

寫起來短，但抽象程度較高。

六、flags=re.ASCII 是什麼？

這是很多人第一次碰到會忽略、但實際很重要的設定。

flags=re.ASCII

flags=re.ASCII

會讓某些 regex shorthand 按照 ASCII 規則 來判定，而不是 Unicode 規則。

特別重要的是：

• \w
• \W
• \b
• \B

七、沒有 re.ASCII 時，中文會怎樣？

在 Python 3 預設情況下，regex 是 Unicode-aware 的。

這表示：

\w 不只包含英文數字底線，通常也包含中文等 Unicode 字元

例如：

import re

text = "ABC中文_123"

print(re.findall(r'\w+', text))

import re

text = "ABC中文_123"

print(re.findall(r'\w+', text))

輸出是：

這代表：

• A B C 是 \w
• 中 文 也是 \w
• _123 也是 \w

所以整段被視為同一個 word token。

八、加上 flags=re.ASCII 會怎樣？

import re

text = "ABC中文_123"

print(re.findall(r'\w+', text, flags=re.ASCII))

import re

text = "ABC中文_123"

print(re.findall(r'\w+', text, flags=re.ASCII))

輸出是：

因為在 ASCII 模式下：\w

比較接近：

[A-Za-z0-9_]

[A-Za-z0-9_]

中文不再被算進 \w。

九、所以 re.ASCII 可以怎麼理解？

可以用一句話理解：

讓 \w、\W 這類 shorthand 不把中文當成 word character

但更精確地說：

• 它不是「禁止中文出現」
• 而是讓 regex 的某些類別判定改用 ASCII 規則

所以像這樣的 pattern：

r'中文'

r'中文'

即使用了 re.ASCII，還是能匹配中文。

十、re.split(r'\W|_', ...) 遇到中文時的差異

這是最值得注意的地方。

例子一：預設模式

# %%
import re

text = "ABC中文_123-xy"
print(re.split(r'\W|_', text))

# %%
import re

text = "ABC中文_123-xy"
print(re.split(r'\W|_', text))

結果是：

因為：

• 中文在預設下常被視為 \w
• 所以 \W 不會拿中文當分隔符
• _ 會切
• - 會切

例子二：ASCII 模式

import re

text = "ABC中文_123-xy"
print(re.split(r'\W|_', text, flags=re.ASCII))

import re

text = "ABC中文_123-xy"
print(re.split(r'\W|_', text, flags=re.ASCII))

結果是：

這時中文會被視為 \W，因此成為分隔區的一部分。

十一、為什麼會出現空字串 ''？

因為 re.split() 如果分隔符連續出現，或字串開頭/結尾剛好命中分隔條件，就可能產生空字串。

例如:

import re

text = "ABC中文_123"
print(re.split(r'\W|_', text, flags=re.ASCII))

import re

text = "ABC中文_123"
print(re.split(r'\W|_', text, flags=re.ASCII))

中文和 _ 連續造成切割，就可能出現空項。

這時常見做法是過濾掉：

parts = [p for p in re.split(r'\W|_', text, flags=re.ASCII) if p]

parts = [p for p in re.split(r'\W|_', text, flags=re.ASCII) if p]

十二、什麼時候用 re.split(r'\W|_', ...)？

適合在你想快速做這種處理時：

• 非字母數字底線的符號都當分隔符
• 但 _ 也要額外算分隔符

例如很多 identifier normalization、tokenization 的前處理。

十三、什麼時候直接列出分隔符比較好？

如果你的資料格式很明確，例如你只想切：

• _
• -
• 空白

那這樣通常更好懂：

re.split(r'[_\-\s]+', text)

re.split(r'[_\-\s]+', text)

因為它一眼就看得出規則。

這在處理：

• class names
• family names
• file naming conventions
• metadata 欄位

時尤其實用。

十四、兩種寫法怎麼選？

我建議這樣記：

用顯式 split：

re.split(r'[_\-\s]+', text)

re.split(r'[_\-\s]+', text)

適合：

• 你知道要切哪些符號
• 規則固定
• 希望程式可讀性高

用 \W|_：

re.split(r'\W|_', text)

re.split(r'\W|_', text)

適合：

• 你想把大部分非 word char 都當分隔符
• 不想一個一個列舉符號
• 你清楚 \w/\W 會受 Unicode / ASCII 影響

十五、實務上最容易踩的坑

坑 1：以為 \W 包含 _

其實不包含，所以才會常看到：

\W|_

\W|_

坑 2：以為 \W 一定會把中文切掉

不一定。
在 Python 3 預設 regex 下，中文常常屬於 \w，所以不是 \W。

坑 3：忘記 re.ASCII 會改變 \w/\W 行為

同一個 regex，加不加 flags=re.ASCII，結果可能差很多。

十六、推薦的理解方式

把這三者拆開理解最清楚：

re.split()

是工具：用 regex 當分隔符切字串

\W|_

是分隔規則：非 word char 或底線

flags=re.ASCII

是匹配模式：讓 \w/\W 改用 ASCII 判定

十七、完整示範

import re

text = "ARGOS中文_V3-Test"

print("1. 顯式列分隔符")
print(re.split(r'[_\-\s]+', text))

print("2. 用 \\W|_，預設模式")
print(re.split(r'\W|_', text))

print("3. 用 \\W|_，ASCII 模式")
print(re.split(r'\W|_', text, flags=re.ASCII))

import re

text = "ARGOS中文_V3-Test"

print("1. 顯式列分隔符")
print(re.split(r'[_\-\s]+', text))

print("2. 用 \\W|_，預設模式")
print(re.split(r'\W|_', text))

print("3. 用 \\W|_，ASCII 模式")
print(re.split(r'\W|_', text, flags=re.ASCII))

輸出：

十八、這個例子說明了什麼？

顯式列分隔符

只切你指定的 _ - 空白

\W|_ 預設模式

中文不是 \W，所以效果看起來和上面很像

\W|_ + re.ASCII

中文變成非 \w，因此會被切開

十九、如果只是做英文命名切詞，我的建議是什麼？

如果你的資料本來就是偏英文命名規則，例如：

• ARGOS_V3
• RayadoPeak
• XMLParser

那我通常會建議：

先用 re.split() 顯式切外層分隔符

re.split(r'[_\-\s]+', text)

re.split(r'[_\-\s]+', text)

再對每段做 CamelCase 拆詞

這通常比直接依賴 \W|_ 更清楚、可控。

二十、總結

re.split()

用 regex 當分隔符切字串，適合先處理外層分隔符。

\W

表示非 word character，但 _ 不包含在內。

\W|_

代表「非 word character 或底線 _」，常用來做通用切詞。

flags=re.ASCII

會讓 \w/\W 等 shorthand 改採 ASCII 規則，中文不再被視為 \w。

實務建議

如果你知道要切哪些符號，顯式使用 re.split(r'[_\-\s]+', ...) 通常更直觀、更易維護。

推薦hahow線上學習python: https://igrape.net/30afN

二十一、補充：為什麼很多人會想談 Unicode？

前面我們提到：

• \W|_
• re.split()
• flags=re.ASCII

這些主題一旦談到「中文為什麼沒被切開」、「為什麼加了 re.ASCII 結果不同」，就幾乎一定會碰到 Unicode。

也就是說，如果你看不懂 Unicode 在 regex 裡扮演什麼角色，就很容易搞不清楚 \w、\W 的行為差異。

二十二、Unicode 是什麼？

你可以先把 Unicode 理解成：

一套幫全世界文字編號的標準

英文、數字、中文、日文、韓文、emoji……
這些字元在電腦裡都需要有對應的編碼位置，而 Unicode 就是在做這件事。

例如：

• A
• 中
• あ
• 😊

它們在 Unicode 裡都有各自的 code point。

二十三、為什麼 regex 會跟 Unicode 有關？

因為 regex 裡面像這種 shorthand：

• \w
• \W
• \b
• \d
• \s

看起來很簡短，但它們到底「算哪些字元」，其實跟匹配模式有關。

在 Python 3 裡，regex 預設是走 Unicode-aware 的路線，這表示：

很多非 ASCII 字元，也可能被視為某種合法字元類別

所以你才會看到：

• 中文有時會被算進 \w
• 不加 re.ASCII 時，\W 不一定會把中文當分隔符

二十四、先用一個觀念記住就好

預設模式

Python 3 的 re 會比較傾向用 Unicode 規則 來理解字元。

re.ASCII 模式

Python 3 的 re 會把某些 shorthand 改成只看 ASCII 範圍。

這就是前面結果不同的根本原因。

二十五、什麼叫 Unicode 範圍？

如果你在 regex 裡看到這種寫法：

[\u4e00-\u9fff]

[\u4e00-\u9fff]

這就是在寫 Unicode 範圍。

意思是：

匹配 Unicode code point 從 \u4e00 到 \u9fff 之間的字元

這一段常被拿來匹配「常見中文漢字區」。

二十六、最常見的中文範圍例子

r'[\u4e00-\u9fff]+'

r'[\u4e00-\u9fff]+'

這通常會用來抓一段連續中文，例如：

import re

text = "ABC中文DEF"
print(re.findall(r'[\u4e00-\u9fff]+', text))

import re

text = "ABC中文DEF"
print(re.findall(r'[\u4e00-\u9fff]+', text))

這表示 regex 正在明確指定：

• 我要的是某段 Unicode 區間
• 不是靠 \w
• 不是靠 \W
• 而是直接指定「字元碼位範圍」

二十七、Unicode 範圍和 \w / \W 有什麼不同？

差別非常大。

\w

是「類別概念」
意思比較像：

這個字元在目前規則下算不算 word character？

[\u4e00-\u9fff]

是「明確列範圍」
意思比較像：

我只接受這一段 code point 內的字元

二十八、哪一種比較精準？

如果你的目標是：

我就是要抓某一段特定語系字元

那 Unicode 範圍通常更精準。

例如：

r'[\u4e00-\u9fff]+'

r'[\u4e00-\u9fff]+'

它不依賴 \w 的定義，也不依賴 re.ASCII 是否開啟。
它就是直接說：我要這段 Unicode 區間內的字元。

二十九、但為什麼很多人還是覺得 Unicode 範圍難用？

因為它通常也是：

最難記、最不直覺的一種寫法

例如：

[\u4e00-\u9fff]

[\u4e00-\u9fff]

你很難一眼看出來它代表什麼，除非你本來就熟。

而且還會產生很多疑問：

• 這段是不是全部中文？
• 有沒有漏掉延伸漢字？
• 標點算不算？
• 全形符號算不算？
• 簡體、繁體都包含嗎？

所以雖然它「精準」，但不一定「好用」。

三十、這也是為什麼 Unicode 範圍常被認為最難記

像：

• \u4e00-\u9fff
• \u3400-\u4dbf

這些區間沒有太多語意線索，很少有人能自然背下來。

實務上常常是：

• 查資料
• 複製貼上
• 隔一陣子又忘

所以如果你只是要處理英文命名、token split、identifier normalization，
通常不會優先想用 Unicode 範圍。

三十一、Unicode 範圍的優點

雖然難記，但它有幾個明確優點。

1. 匹配目標明確

你指定哪個區間，就只抓哪個區間。

2. 不受 \w/\W 定義影響

不會因為有沒有加 re.ASCII 而改變意思。

3. 適合語系限制很明確的需求

例如你真的要檢查：

• 是否含中文
• 是否只允許中文與英文數字
• 是否抽取中文片段

三十二、Unicode 範圍的缺點

1. 不好記

這是最大問題。

2. 可讀性差

新手看到幾乎無法立刻理解。

3. 容易誤以為「這樣就涵蓋全部中文」

其實很多情況下，你抓的只是常用區，不一定真的涵蓋所有相關字元。

4. 維護成本高

未來別人接手程式時，不一定看得懂你的意圖。

三十三、簡單範例：抓出中文字串

import re

text = "Python正規表達式123"
chs = re.findall(r'[\u4e00-\u9fff]+', text)
print(chs)

import re

text = "Python正規表達式123"
chs = re.findall(r'[\u4e00-\u9fff]+', text)
print(chs)

這種寫法的意思很單純：

從字串裡找出連續的常見中文漢字區段

三十四、簡單範例：判斷字串是否包含中文

import re

text = "ARGOS中文_V3"

if re.search(r'[\u4e00-\u9fff]', text):
    print("包含中文")
else:
    print("不包含中文")

import re

text = "ARGOS中文_V3"

if re.search(r'[\u4e00-\u9fff]', text):
    print("包含中文")
else:
    print("不包含中文")

三十五、簡單範例：只保留英文、數字、常見中文

import re

text = "ARGOS中文-V3!"
cleaned = re.sub(r'[^A-Za-z0-9\u4e00-\u9fff]+', '', text)
print(cleaned)

import re

text = "ARGOS中文-V3!"
cleaned = re.sub(r'[^A-Za-z0-9\u4e00-\u9fff]+', '', text)
print(cleaned)

這種寫法代表：

• 保留英文字母
• 保留數字
• 保留常見中文
• 其他符號移除

三十六、這和 re.ASCII 的思路有什麼不同？

差別可以這樣理解：

re.ASCII

是在改變 shorthand 的判定規則
例如：

• \w
• \W

Unicode 範圍

是在直接指定你要哪些字元

三十七、一個對照例子

import re

text = "ABC中文_123"

import re

text = "ABC中文_123"

寫法一：看 \w

print(re.findall(r'\w+', text))
print(re.findall(r'\w+', text, flags=re.ASCII))

print(re.findall(r'\w+', text))
print(re.findall(r'\w+', text, flags=re.ASCII))

這表示 \w 的定義會因 re.ASCII 改變。

寫法二：直接抓中文範圍

print(re.findall(r'[\u4e00-\u9fff]+', text))

print(re.findall(r'[\u4e00-\u9fff]+', text))

這不依賴 re.ASCII，因為你已經明確寫死要抓哪段 Unicode 區間。

三十八、那到底該用哪一種？

可以用這個原則判斷。

如果你想處理的是：

• token 邊界
• 英文命名切詞
• _、-、空白這類分隔符
• \w/\W 的 ASCII 行為

那通常優先考慮：

• re.split()
• \W|_
• flags=re.ASCII

如果你想處理的是：

• 是否含中文
• 抽取中文片段
• 只允許特定語系字元
• 明確限制字元集合

那 Unicode 範圍就比較合適。

三十九、實務建議：先選「語意最清楚」的寫法

這很重要。

不要因為 Unicode 範圍「看起來很強」就優先使用它。
很多時候，真正好的寫法不是最炫，而是 最能表達意圖。

例如：

你只是想把 _ - 空白 切開

那就寫：

re.split(r'[_\-\s]+', text)

re.split(r'[_\-\s]+', text)

你想把非 word char 和 _ 都視為分隔符

那就寫：

re.split(r'\W|_', text, flags=re.ASCII)

re.split(r'\W|_', text, flags=re.ASCII)

你真的想抓中文

那才寫：

re.findall(r'[\u4e00-\u9fff]+', text)

re.findall(r'[\u4e00-\u9fff]+', text)

四十、把 Unicode 這段和前文串起來理解

現在可以把前面的觀念整合成三層：

第一層：工具

re.split()
re.findall()
re.search()
re.sub()

re.split()
re.findall()
re.search()
re.sub()

第二層：規則

\W|_
[_\-\s]+
[\u4e00-\u9fff]+

\W|_
[_\-\s]+
[\u4e00-\u9fff]+

第三層：匹配模式

flags=re.ASCII

flags=re.ASCII

這樣你就比較不會把它們混在一起。

四十一、這一段最值得記住的重點

1.

Unicode 範圍是直接指定字元區間，不是 shorthand 類別。

2.

它通常比 re.ASCII 更精準，但也更難記、更難維護。

3.

如果只是做一般英文 token split，通常沒必要一開始就使用 Unicode 範圍。

4.

只有在你真的要控制「某一類 Unicode 字元」時，Unicode 範圍才特別有價值。

四十二、補充結論

如果要用一句話總結這段 Unicode 教學，可以這樣說：

re.ASCII 是在改變 \w/\W 這類 shorthand 的判定方式；
Unicode 範圍則是直接指定你要匹配哪些字元。前者比較好懂，後者比較精準，但通常也更難記、更難用。

推薦hahow線上學習python: https://igrape.net/30afN

這裡的 ASCII 規則，意思是：

在判斷 \w、\W、\d、\s、\b 這類 regex shorthand 時，
只用 ASCII 字元集合來判定，不去採用較寬鬆的 Unicode 字元分類。

四十三、什麼叫做 ASCII 規則？

前面說 flags=re.ASCII 會讓某些 regex shorthand 按照 ASCII 規則 判定，這裡的 ASCII 規則，可以先理解成：

只把 ASCII 範圍內的字元當成判斷依據

ASCII 是一套比較早期、範圍比較小的字元編碼集合，常見可理解為：

• 英文大小寫字母：A-Z、a-z
• 數字：0-9
• 常見符號
• 空白字元的一部分

重點是：

它不包含中文、日文、韓文、emoji 這些 Unicode 字元

所以當 regex 使用 re.ASCII 時，某些 shorthand 就不會把這些非 ASCII 字元算進去。

四十四、在 regex 裡，ASCII 規則最常影響哪些 shorthand？

最常見的是這幾個：

• \w
• \W
• \d
• \D
• \s
• \S
• \b
• \B

其中在文章脈絡裡，最重要的是：

• \w
• \W
• \b

四十五、\\w 在 ASCII 規則下代表什麼？

如果加上：

flags=re.ASCII

flags=re.ASCII

那麼：\w

就大致等於：

[A-Za-z0-9_]

[A-Za-z0-9_]

也就是只把下面這些當作 word character：

• 英文字母
• 數字
• 底線 _

所以：

• A 是 \w
• 7 是 \w
• _ 是 \w
• 中 不是 \w
• あ 不是 \w
• é 在這個規則下也不算 \w

四十六、\\W 在 ASCII 規則下代表什麼？

\W 就是 \w 的相反。

如果 ASCII 模式下：

\w == [A-Za-z0-9_]

\w == [A-Za-z0-9_]

那麼：\W

就可以理解成：

[^A-Za-z0-9_]

[^A-Za-z0-9_]

所以：

• - 是 \W
• 空白是 \W
• 中 是 \W
• @ 是 \W

但要注意：

• _ 不是 \W
• 因為 _ 屬於 \w

這也是為什麼常常會看到：

\W|_

\W|_

因為單靠 \W 抓不到 _。

四十七、ASCII 規則和 Unicode 規則最大的差別是什麼？

最大差別在於：

非英文字符要不要被算進 shorthand 類別

例如字串：

text = "ABC中文_123"

text = "ABC中文_123"

不加 re.ASCII

re.findall(r'\w+', text)
# 輸出: ['ABC中文_123']

re.findall(r'\w+', text)
# 輸出: ['ABC中文_123']