各引擎 Unicode 支持差异
同一句 \w+ 在不同引擎里匹配到的范围可以完全不同：有的把汉字算作单词字符，有的只认 ASCII。差异来自三处：字符串是按字节还是按码点处理、简写类默认走 ASCII 还是 Unicode 属性、大小写折叠是否按 Unicode 规则。做多语言输入校验或分词时，这几处差别会直接决定规则是否可用。
基本信息
| Python | str 模式默认 Unicode 语义（\w 含汉字、\d 含各类数字），bytes 模式退回 ASCII，可用 re.ASCII 强制 |
|---|---|
| JavaScript | \w 始终只覆盖 ASCII，按码点处理需要 u 标志，Unicode 属性要用 \p{...} 并带 u |
| PHP/PCR | /u 启用 UTF-8 模式，但 \w 仍是 ASCII 语义，按 Unicode 判定要写 \p{L} 等属性 |
| Java | 默认 \w 为 ASCII，可开启 Unicode 字符类与 Unicode 大小写折叠选项改变行为 |
| .NET | \w 按 Unicode 类别判定，天然包含汉字等非 ASCII 字母 |
| Go regexp | 按 UTF-8 码点工作，但 \w 等简写类保持 ASCII 语义 |
典型使用场景
- 用户名与昵称校验：允许汉字、日文、韩文时不能用纯 ASCII 的 \w 规则
- 分词与关键词提取：需要按 Unicode 属性界定字母与数字边界
- 数字识别：阿拉伯数字以外的各类数字字符是否算数字，各语言默认值不同
- 大小写不敏感匹配：土耳其语等语言的大小写折叠规则特殊，需要引擎级的 Unicode 折叠支持
- 字符计数与截断：没有按码点处理时，表情符号会被算成两个字符，截断会产生乱码
实测行为与写法
实测行为与写法
# Python：str 模式下 \w 含汉字，bytes 模式下不含
re.match(r'\w', '中') # 命中
re.match(rb'\w', '中'.encode()) # 不命中
re.match(r'\w', '中', re.A) # 加 ASCII 标志后不命中
# JavaScript：\w 无论是否加 u 都只认 ASCII，Unicode 属性需要 u
/\w/u.test('中') // false
/\p{L}/u.test('中') // true
/^.$/.test('\u{1F600}') // false：按码元处理，表情占两个单位
/^.$/u.test('\u{1F600}') // true：加 u 后按码点
typeof '中'.length // 1；而 emoji 的 length 为 2常见引擎的默认语义
| 引擎 | \w 是否含非 ASCII | 按码点处理 |
|---|---|---|
| Python 3 str | 是 | 是 |
| Python 3 bytes | 否 | 否，按字节 |
| JavaScript | 否 | 需 u 标志 |
| PHP PCRE /u | 否，需 \p{...} | 是 |
| Java 默认 | 否，需开启 Unicode 选项 | 是 |
| .NET | 是 | 是 |
| Go regexp | 否 | 是 |
按 Unicode 属性写规则比依赖简写类更可控：\p{L} 表示任意语言的字母，\p{Nd} 表示十进制数字，\p{Han} 表示汉字。需要按语言或文字系统界定范围时，直接写属性而不是拼字符区间。
/u 或 u 标志开启后，非法转义与孤立代理项在部分引擎会直接报错（以前是静默当字面量），启用后要回归既有模式；具体报错行为与版本相关，以官方文档为准。