仅匹配 Python re 中的 unicode 字母
Posted
技术标签:
【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_]|-)
以上是关于仅匹配 Python re 中的 unicode 字母的主要内容,如果未能解决你的问题,请参考以下文章