Python 正则表达式匹配无法匹配孟加拉语句子中的特定单词

这里有奇怪的小问题， 我有孟加拉语（随机）句子："তিনি কবিতা প্রিয়, সুগঠিত স্বাস্থ্যের অধিকারী।"我尝试在其上运行正则表达式（使用Pythonre库）像这样：

• সুগঠিত（“令牌#4”）：

re.search(r"\bসুগঠিত\b", "তিনি কবিতা প্রিয়, সুগঠিত স্বাস্থ্যের অধিকারী।") : <re.Match object; span=(19, 25), match='সুগঠিত'>

• কবিতা（“令牌#2”）：

re.search(r"\bকবিতা\b", "তিনি কবিতা প্রিয়, সুগঠিত স্বাস্থ্যের অধিকারী।"): None

知道为什么会发生这种情况吗？

更新（来自下面的答案建议）：

• 查看孟加拉语（和其他印度语言）中使用的变音符号

如果你检查你的字符是什么কবিতা包括（我喜欢使用这项服务），您将了解到最后一个字母是 ‎U+09BE， 这是一个孟加拉语元音符号AA属于Mc（标记、空格组合）Unicode类别.

Note that McUnicode 类别 chars 不属于单词 charsre正则表达式。 Pythonre \w火柴"Unicode 字母、表意文字、数字或下划线"，其中“表意文字”指的是Mn（标记、非空格）Unicode 类别 only.

最后\b正则表达式中的单词边界requires字符串的结尾，或者紧随其后的非单词字符AA元音，因为单词边界出现在非单词之后AA char.

因此，如果您需要将所有组合标记添加到单词边界中，则需要使用PyPi 正则表达式库 where 问题已解决:

'word' 字符的定义 (问题#1693050)

“单词”字符的定义已针对 Unicode 进行了扩展。它符合 Unicode 规范http://www.unicode.org/reports/tr29/.

See the Python在线演示:

import regex
print( regex.search(r"\bকবিতা\b", "তিনি কবিতা প্রিয়, সুগঠিত স্বাস্থ্যের অধিকারী।") )
# => <regex.Match object; span=(5, 10), match='কবিতা'>