只保留字符串

Question

在stackoverflow上有很多关于如何只保留字符串中的字母字符的答案，最常见的是着名的正则表达式'[^a-zA-Z]'。但是这个答案是完全错误的，因为它假设每个人都只写英文...我想我可以对所有这些答案进行投票但我终于认为再次提出这个问题会更有建设性，因为我无法找到答案

在python中是否有一种简单（或不是......）的方式只保留适用于所有语言的字符串中的字母字符？我想也许关于一个可以像javascript中的xregexp那样做的图书馆...所有语言我的意思是英语，但也有法语，俄语，中文，希腊语......等等。

Answer 1

[^ \ W \ d _]

使用Python3或Python2中的re.UNICODE标志，您可以使用[^\W\d_]。

  

\ W：如果设置了UNICODE，这将匹配除[0-9_]以外的任何内容   Unicode字符中分类为非字母数字的字符   属性数据库。

所以[^\W\d_]是任何不是字母数字或不是数字或不是下划线的东西。换句话说，它是任何字母字符。 ：）

>>> import re
>>> re.findall("[^\W\d_]", "jüste Ä tösté 1234 ßÜ א д", re.UNICODE)
['j', 'ü', 's', 't', 'e', 'Ä', 't', 'ö', 's', 't', 'é', 'ß', 'Ü', 'א', 'д']

先删除数字，然后查找“\ w”

要避免这种错综复杂的逻辑，您还可以先删除数字和下划线，然后查找字母数字字符：

>>> without_digit = re.sub("[\d_]", "", "jüste Ä tösté 1234 ßÜ א д", re.UNICODE) 
>>> re.findall("\w", without_digit, re.UNICODE)
['j', 'ü', 's', 't', 'e', 'Ä', 't', 'ö', 's', 't', 'é', 'ß', 'Ü', 'א', 'д']

正则表达式模块

似乎regex模块可以提供帮助，因为它理解\p{L}或[\w--\d_]。

  

此正则表达式实现向后兼容标准   're'模块，但提供了额外的功能。

>>> import regex as re
>>> re.findall("\p{L}", "jüste Ä tösté 1234 ßÜ א д", re.UNICODE)
['j', 'ü', 's', 't', 'e', 'Ä', 't', 'ö', 's', 't', 'é', 'ß', 'Ü', 'א', 'д']

（使用Anaconda Python 3.6测试）