Python删除非拉丁字符

Question

如何从字符串中删除所有非拉丁字符？更具体地说,有没有办法从unicode数据中找出非拉丁字符？

Answer 1

使用第三方正则表达式模块,您可以删除所有非拉丁字符

import regex
result = regex.sub(ur'[^\p{Latin}]', u'', text)

如果您不想使用regex模块,此页面列出了拉丁语unicode块:

\p{InBasic_Latin}: U+0000–U+007F
\p{InLatin-1_Supplement}: U+0080–U+00FF
\p{InLatin_Extended-A}: U+0100–U+017F
\p{InLatin_Extended-B}: U+0180–U+024F
\p{InLatin_Extended_Additional}: U+1E00–U+1EFF 

所以你可以使用Python的内置模块来形成一个字符类:

import re
result = re.sub(ur'[^\x00-\x7F\x80-\xFF\u0100-\u017F\u0180-\u024F\u1E00-\u1EFF]', u'', text) 

演示:

In [24]: import re
In [25]: import regex

In [35]: text = u'aweerwq\u0645\u0631\u062d\u0628\u0627\u043c\u0438\u0440'

In [36]: print(text)
aweerwq????????

In [37]: regex.sub(ur'[^\p{Latin}]', u'', text)
Out[37]: u'aweerwq'

In [38]: re.sub(ur'[^\x00-\x7F\x80-\xFF\u0100-\u017F\u0180-\u024F\u1E00-\u1EFF]', u'', text)    
Out[38]: u'aweerwq'