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，提供了一些关于如何将非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会考虑非字母à编码为U + 0061 U + 0300（如果我理解的话）。 例如，在python中使用regex模块的代码如下：

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

会转换purè

中的pur

在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这一点，但我不知道如何获得它。

Answer 1

由于您使用的是Python 2.x，因此r'\P{L}'是一个字节字符串，而您输入的是Unicode。您需要使模式成为Unicode字符串。请参阅PyPi regex reference：

  

如果未指定ASCII，LOCALE和UNICODE标志，则如果正则表达式模式是Unicode字符串并且UNICODE，则默认为ASCII如果它是一个字节串。

因此，您需要使用ur'\P{L}'和u' '替换模式。

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