Question

在Python 3中使用正则表达式考虑这个片段：

>>> t = "Meu cão é #paraplégico$."
>>> re.sub("[^A-Za-z0-9 ]","",t,flags=re.UNICODE)
'Meu co  paraplgico'

为什么删除非ASCII字符？我尝试没有旗帜，它们都是一样的。

作为奖励，任何人都可以在Python 2.7上完成这项工作吗？

Answer 1

您正在用空白（[^A-Za-z0-9 ]）替换非字母数字字符（""）。非ASCII字符不在A-Z，a-z或0-9之间，因此它们被替换。

您可以匹配所有单词字符：

>>> t = "Meu cão é #paraplégico$."
>>> re.sub("[^\w ]","",t, flags=re.UNICODE)
>>> 'Meu cão é paraplégico'

或者您可以将字符添加到正则表达式中，如下所示：[^A-Za-z0-9ãé ]。

Answer 2

[In 1]: import regex
[In 2]: t = u"Meu cão é #paraplégico$."
[In 3]: regex.sub(r"[^\p{Alpha} ]","",t,flags=regex.UNICODE)
[In 4]: print(regex.sub(r"[^\p{Alpha} ]","",t,flags=regex.UNICODE))

Meucãoéparaplégico

Answer 3

我通过切换到正则表达式库（来自PyPI）解决了这个问题。

然后正则表达式命令变为：

regex.sub(ur"[^\p{L}\p{N} ]+", u"", t)

正则表达式为非ASCII字符

3 个答案: