仅匹配 Python re 中的 unicode 字母

Posted 2023-02-23

【中文标题】仅匹配 Python re 中的 unicode 字母

【英文标题】：Matching only a unicode letter in Python re

【发布时间】：2012-02-13 23:42:28

【问题描述】：

我有一个字符串，我想从中提取 3 个组：

'19 janvier 2012' -> '19', 'janvier', '2012'

月份名称可以包含非 ASCII 字符，所以 [A-Za-z] 对我不起作用：

>>> import re
>>> re.search(ur'(\d,2) ([A-Za-z]+) (\d4)', u'20 janvier 2012', re.UNICODE).groups()
(u'20', u'janvier', u'2012')
>>> re.search(ur'(\d,2) ([A-Za-z]+) (\d4)', u'20 février 2012', re.UNICODE).groups()
Traceback (most recent call last):
  File "<stdin>", line 1, in <module>
AttributeError: 'NoneType' object has no attribute 'groups'
>>> 

我可以使用\w，但它匹配数字和下划线：

>>> re.search(ur'(\w+)', u'février', re.UNICODE).groups()
(u'f\xe9vrier',)
>>> re.search(ur'(\w+)', u'fé_q23vrier', re.UNICODE).groups()
(u'f\xe9_q23vrier',)
>>> 

我尝试使用[:alpha:]，但它不起作用：

>>> re.search(ur'[:alpha:]+', u'février', re.UNICODE).groups()
Traceback (most recent call last):
  File "<stdin>", line 1, in <module>
AttributeError: 'NoneType' object has no attribute 'groups'
>>> 

如果我可以在没有[_0-9] 的情况下以某种方式匹配\w，但我不知道如何。即使我知道如何做到这一点，是否有像 [:alpha:] 这样的现成快捷方式可以在 Python 中使用？

【问题讨论】：

至于[:alpha:]，这只适用于字符类，所以正确的正则表达式应该是[[:alpha:]]+，但Python无论如何都不支持这些。

为什么不简单地在字符串上调用 .split()？

【参考方案1】：

你可以构造一个新的字符类：

[^\W\d_]

而不是\w。翻译成英文，它的意思是“任何不是非字母数字字符的字符（[^\W] 与\w 相同），但它也不是数字，也不是下划线”。

因此，它将只允许 Unicode 字母（如果您使用 re.UNICODE 编译选项）。

【讨论】：

我已经认识到 \pL 不受支持，因此您的解决方案是 +1 的方式。

要在任何正则表达式字符类中包含-，只需将其放在末尾（或开头）：此示例中为[^\W\d_-]。

@RichVel：那将禁止减号。

@TimPietzcker - 是的，我没有很好地阅读该评论......一种解决方案是使用正则表达式交替，例如像这样的东西（未经测试）：([^\W\d_]|-)