python - 如何使用正则表达式从字符串中仅检索阿拉伯语文本？

Question

我有一个包含阿拉伯语和英语句子的字符串。我想要的是只提取阿拉伯语句子。

my_string="""
What is the reason
ذَلِكَ الْكِتَابُ لَا رَيْبَ فِيهِ هُدًى لِلْمُتَّقِينَ
behind this?
ذَلِكَ الْكِتَابُ لَا رَيْبَ فِيهِ هُدًى لِلْمُتَّقِينَ
"""

This Link表明阿拉伯字母的 Unicode 范围是 0600-06FF。

所以，我想到的非常基本的尝试是:

import re
print re.findall(r'[\u0600-\u06FF]+',my_string)

但是，这失败了，因为它返回了以下列表。

['What', 'is', 'the', 'reason', 'behind', 'this?']

如您所见，这与我想要的完全相反。我在这里缺少什么？

注意

我知道我可以使用如下所示的反向匹配来匹配阿拉伯字母:

print re.findall(r'[^a-zA-Z\s0-9]+',my_string)

但是，我不想那样。

Answer 1

您可以使用 re.sub用空字符串替换 ascii 字符。

>>> my_string="""
... What is the reason
... ذَلِكَ الْكِتَابُ لَا رَيْبَ فِيهِ هُدًى لِلْمُتَّقِينَ
... behind this?
... ذَلِكَ الْكِتَابُ لَا رَيْبَ فِيهِ هُدًى لِلْمُتَّقِينَ
... """
>>> print(re.sub(r'[a-zA-Z?]', '', my_string).strip())
ذَلِكَ الْكِتَابُ لَا رَيْبَ فِيهِ هُدًى لِلْمُتَّقِينَ

ذَلِكَ الْكِتَابُ لَا رَيْبَ فِيهِ هُدًى لِلْمُتَّقِينَ

您的正则表达式不起作用，因为您使用的是 Python 2 并且您的字符串是 str 您需要将 my_string 转换为 unicode 才能正常工作。然而，它在 Python3.x 上完美运行

>>> print "".join(re.findall(ur'[\u0600-\u06FF]', unicode(my_string, "utf-8"), re.UNICODE))
ذَلِكَالْكِتَابُلَارَيْبَفِيهِهُدًىلِلْمُتَّقِينَذَلِكَالْكِتَابُلَارَيْبَفِيهِهُدًىلِلْمُتَّقِينَ