匹配任何unicode信件?

时间:2011-06-11 07:05:17

标签: python regex character-properties

在.net中,您可以使用\p{L}来匹配任何字母,我如何在Python中执行相同的操作?也就是说,我希望匹配任何大写,小写和重音字母。

2 个答案:

答案 0 :(得分:22)

Python的re模块尚不支持Unicode属性。但您可以使用re.UNICODE标志编译正则表达式,然后字符类速记\w也将匹配Unicode字母。

由于\w也会匹配数字,因此您需要从字符类中减去这些数字以及下划线:

[^\W\d_]

将匹配任何Unicode字母。

>>> import re
>>> r = re.compile(r'[^\W\d_]', re.U)
>>> r.match('x')
<_sre.SRE_Match object at 0x0000000001DBCF38>
>>> r.match(u'é')
<_sre.SRE_Match object at 0x0000000002253030>

答案 1 :(得分:4)

PyPi regex module支持\p{L} Unicode属性类,还有更多内容,请参见文档中的“ Unicode代码点属性,包括脚本和块”部分,并在{{ 3}}。使用regex模块很方便,因为您可以在任何Python版本上获得一致的结果(注意Unicode标准在不断发展,支持的字母数也在增加)。

使用pip install regex(或pip3 install regex)安装库并使用

\p{L}        # To match any Unicode letter
\p{Lu}       # To match any uppercase Unicode letter
\p{Ll}       # To match any lowercase Unicode letter
\p{L}\p{M}*  # To match any Unicode letter and any amount of diacritics after it

请参见下面的一些使用示例:

import regex
text = r'Abc-++-Абв. It’s “Łąć”!'
# Removing letters:
print( regex.sub(r'\p{L}+', '', text) ) # => -++-. ’ “”!
# Extracting letter chunks:
print( regex.findall(r'\p{L}+', text) ) # => ['Abc', 'Абв', 'It', 's', 'Łąć']
# Removing all but letters:
print( regex.sub(r'\P{L}+', '', text) ) # => AbcАбвItsŁąć
# Removing all letters but ASCII letters:
print( regex.sub(r'[^\P{L}a-zA-Z]+', '', text) ) # => Abc-++-. It’s “”!

查看http://www.unicode.org/Public/UNIDATA/PropList.txt