简写类的三个陷阱
简写字符类写起来最短，但它把「字符集合的判定标准」交给了引擎的语义设置与默认值。范围偏移、跨行吞并、下划线混入，这三类问题的根源都在这里，而不是模式本身写错。
为什么容易漏测
用半角英文和数字自测时，简写类的行为看起来完全正确；换成全角字符、其它语言文字、不可见空白或跨行文本，偏差才暴露出来。测试用例必须覆盖真实数据里可能出现的字符，否则掩盖的问题会在生产环境出现。
基本信息
| 陷阱一 | 数字与单词类在 Unicode 语义下范围扩大，超出半角字母数字 |
|---|---|
| 陷阱二 | 空白类包含换行，跨行文本上的切分与提取行为随之改变 |
| 陷阱三 | 单词类包含下划线，纯字母数字校验会被绕过 |
| 连带影响 | 单词边界断言的判定依据正是单词类，定义一变边界位置也跟着变 |
| 缓解手段 | 用显式区间与显式集合代替简写，或按引擎文档设置 ASCII 语义开关 |
| 验证方式 | 准备含全角字符、其它文字、不可见空白与跨行的样本逐条实测 |
典型使用场景
- 把键盘随手写的模式搬到生产，需要先核对字符语义是否符合业务规则
- 校验来自多语言环境的输入，判断简写类是否放得过宽
- 处理第三方导出的数据，确认其中是否含全角数字或不可见空白
- 梳理历史遗留模式，把被简写类掩盖的宽松判定收紧
- 排查「测试通过线上失败」的字符相关缺陷
同一模式的语义差异演示
同一模式的语义差异演示
import re
re.findall(r'\w+', 'ＡＢＣ') # Unicode 语义下全角字母也可能命中
re.findall(r'[A-Za-z]+', 'ＡＢＣ') # 显式区间不会被扩展
re.findall(r'\d', '１２３') # 全角数字在部分语义下可命中
re.findall(r'[0-9]', '１２３') # 显式区间只认半角
re.findall(r'\w+', 'user_name') # 下划线属于单词字符，被一并取出
re.findall(r'[A-Za-z0-9]+', 'user_name') # 显式写法自动排除下划线高风险简写与替代
| 简写 | 隐藏行为 | 显式替代 |
|---|---|---|
| 数字类 | 可扩展到非半角数字 | 区间 0 到 9 |
| 单词类 | 含下划线且范围随语义变化 | 显式字母数字集合 |
| 空白类 | 包含换行与不可见空白 | 空格与制表符集合 |
| 单词边界 | 判定依赖单词类定义 | 用显式定界字符替代 |
检查一条老模式是否被简写类拖宽，最快的办法是把简写全部换成显式集合，再用同一批样本跑一遍。行为出现差异的位置就是原本被掩盖的宽松点。
显式写法也不总是更好：处理用户自然语言输入时，简写类的宽松范围反而是优点。取舍标准是业务规则要求「刚好这些字符」还是「大致属于此类字符」。