Question

我正在尝试这样做：

val = re.sub(r'\b' + u_word +'\b', unicode(new_word), u_text)

（所有字符串都是非拉丁语。）

根本不起作用！

是否可以使用正则表达式在非拉丁文本中查找替换非拉丁文字（整个单词）？怎么样？

编辑：

如果你想测试这些字符串：

>>> u_word = u'αβ'
>>> u_text = u'αβγ αβ αβγδ δαβ'
>>> new_word = u'χχ'
>>> val = re.sub(r'\b' + u_word +r'\b', unicode(new_word), u_text)
>>> val
u'\u03b1\u03b2\u03b3 \u03b1\u03b2 \u03b1\u03b2\u03b3\u03b4 \u03b4\u03b1\u03b2'
>>> u_text
u'\u03b1\u03b2\u03b3 \u03b1\u03b2 \u03b1\u03b2\u03b3\u03b4 \u03b4\u03b1\u03b2'
>>>

Answer 1

您需要将 re.UNICODE 标记传递给sub，如下所示：

val = re.sub(r'\b' + u_word + r'\b', unicode(new_word), u_text, flags=re.UNICODE)

\b是一个单词边界。如果没有re.UNICODE标记，则“单词”仅包含集合[a-zA-Z0-9_]中的字符，因此αβ不会被视为“单词”。有关详细信息，请参阅the re documentation（具体为\b，\w和re.UNICODE）。

供参考：

如果new_word已经是unicode字符串（如您的示例所示），则unicode(new_word)是多余的，it returns new_word unmodified。
在Python 3.x中，unicode不再是特例。您的代码将在Python 3.x中运行（减去unicode()，因为不再需要它而被删除了。）

python find - 用正则表达式替换字符串中的非拉丁字

1 个答案: