python - 正则表达式匹配所有非字母，不包括变音符号(python)

Question

我找到了这个优秀的指南:http://www.regular-expressions.info/unicode.html#category这给出了一些关于如何将 non 字母与以下正则表达式匹配的提示:

\P{L}

但是这个正则表达式也会考虑非字母 à 编码为 U+0061 U+0300(如果我理解得很好的话)。例如使用 regex python 中的模块以下代码段:

all_letter_doc = regex.sub(r'\P{L}', ' ', doc)

将 purè 转换为 pur

指南中提供了如何将所有字母与以下内容匹配:

\p{L}\p{M}*+

在实践中我需要否定它，但我不知道如何获得它。

Answer 1

由于您使用的是 Python 2.x，您的 r'\P{L}' 是一个字节字符串，而您的输入是 Unicode。您需要将模式设为 Unicode 字符串。查看PyPi regex reference :

If neither the ASCII, LOCALE nor UNICODE flag is specified, it will default to UNICODE if the regex pattern is a Unicode string and ASCII if it’s a bytestring.

因此，您需要使用 ur'\P{L}' 和 u' ' 替换模式。

如果您想匹配除字母和变音符号以外的 1+ 个字符，您将需要 ur'[^\p{L}\p{M}]+' 正则表达式。