Python unicode正则表达式与某些unicode字符匹配失败-错误还是错误？

我正在尝试将Python 2.7.3中的

re

模块与Unicode编码的Devnagari文本一起使用。我已经在我的代码顶部添加了来自“未来导入unicode”文本的

，因此所有字符串文本都应该是unicode对象

然而，我在Python的正则表达式匹配方面遇到了一些奇怪的问题。例如，考虑这个名字：किशोरी".  这是一个（拼写错误的）印地语名字，由我的一个用户输入。任何印地语读者都会认出这是一个单词

以下内容将返回一个匹配项，正如它应该返回的那样：

re.search（“^[\w\s][\w\s]*”，“किशोरी“，关于UNICODE）

但这并不是：

re.search（“^[\w\s][\w\s]*$”किशोरी“，关于UNICODE）

一些洞穴探险发现这个字符串中只有一个字符，字符0915(क), 被识别为属于\w字符类。这是不正确的，因为Unicode字符数据库将此字符串中的其他字符（我没有全部选中）按字母顺序列出-事实上是这样的

这只是Python实现中的一个bug吗？我可以通过手动将所有Devnagari字母数字字符定义为一个字符范围来解决这个问题，但这会很痛苦。或者我做错了什么吗？
来自character Map:

‍ि

U+093F DEVANAGARI元音符号I

一般字符特性

从1.1开始使用Unicode
Unicode类别：标记，空格组合

因此，从技术上讲，这不是一个字母，即使使用
re.UNICODE
，也不属于
\w
。您可以尝试使用with UNICODE字符属性来包含这些类型的字符。
我测试了以下内容：

import unicodedata
for c in "किशोरी":
    print unicodedata.category(c)
    print unicodedata.name(c)

在我的案例中显示：

Lo
DEVANAGARI LETTER KA
Mc
DEVANAGARI VOWEL SIGN I
Lo
DEVANAGARI LETTER SHA
Mc
DEVANAGARI VOWEL SIGN O
Lo
DEVANAGARI LETTER RA
Mc
DEVANAGARI VOWEL SIGN II

Unicode的东西很难调试，因为复制和粘贴会弄乱数据，我不懂印地语。但是在某些语言中，你可以用Unicode以不同的方式编码字符。有没有可能，在匹配之前，你必须以某种方式对字符串进行规范化？在我看来，元音符号与
\w
不匹配是正常的d固定在以下位置：

输出显示
中有6个代码点。”किशोरी“
，但只有3个用户感知的字符（扩展的字组）。在字符中打断一个单词是错误的。表示：

单词边界、行边界和句子边界不应
发生在一个grapheme集群中：换句话说，一个grapheme集群
就测定过程而言，应为原子单位
这些是其他边界

我在此进一步强调

单词边界
\b
定义为从
\w
到
\w
（或相反）的转换：

请注意，形式上，\b定义为a\w和a之间的边界
\W个字符（反之亦然），或介于\W和
字符串

因此，形成单个字符的所有代码点要么都是
\w
，要么都是
\w
。
在这种情况下，
”किशोरी“
匹配
^\w{6}$


发件人：

如果设置了UNICODE，则这将与字符[0-9_u2;]加匹配
在Unicode字符中分类为字母数字的内容
属性数据库

在：

匹配Unicode单词字符；这包括
可以是任何语言中单词的一部分，也可以是数字和
下划线

从
regex
文档：

“word”字符（）的定义：

“word”字符的定义已扩展为Unicode。它现在符合
。这适用于\w、\w、\b和
\B

根据AlnUM和字母SuxEng/ReXEX/COD>也可以正确地考虑它<代码> \W>代码>即使我们遵循不基于单词边界的定义。
根据093F确实被分类为字母字符。不确定发生了什么。无论如何，这些都必须被识别为这些字符。s从不独立存在，它们是对现有字符的修改，以表示特定的元音（在本例中，该字符表示后续的“ka”应发音为“ki”）。如果要拒绝将这些字符和类似字符作为字母字符，则在使用它的任何语言中都不能使用Devnagari文本（印地语、孟加拉语、马拉地语等）在本质上是按字母顺序排列的。“093E..0940；字母顺序的#Mc[3]德瓦纳加里元音符号AA..DEVANAGARI元音符号II”Mc.Mc.什么是“Mc？”"意思是什么？它不是也说字母吗？它是字母，但不是字母。请看下面对Ignacio答案的评论。不过，你说的规范化是什么意思？也许这样就可以了。我不记得我脑子里的确切细节，但有一个字符是独立存在的，也可以是一个字母组合。例如德语
ä
。这是一个单独的字符，但据我所知，有可能将其编码为
一个
+
标记，以便在上面有那些点
。两个版本之间都有转换。抱歉，我目前无法检查详细信息。是的，可以确认regex模块工作正常。[:alnum:]POSIX字符类也适用于正则表达式模块。@ShankarG:
perl
agreements:
echoकिशोरी | perl-CS-ne'print if/^\w+$/'
（假设为utf-8 io）。将我的“接受”标记更改为此答案，因为这实际上是正确的答案-这确实是re模块中的一个错误。
# -*- coding: utf-8 -*-
from __future__ import unicode_literals
import unicodedata
import re
import regex  # $ pip install regex

word = "किशोरी"


def test(re_):
    assert re_.search("^\\w+$", word, flags=re_.UNICODE)

print([unicodedata.category(cp) for cp in word])
print(" ".join(ch for ch in regex.findall("\\X", word)))
assert all(regex.match("\\w$", c) for c in ["a", "\u093f", "\u0915"])

test(regex)
test(re)  # fails