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,它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也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)

将改变purè在pur

在指南中提供了如何匹配所有字母与以下内容:

\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,因此您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.参见PyPi regex参考:

如果既没有指定ASCII,LOCALE也没有UNICODE指定标志,那么UNICODE如果正则表达式模式是Unicode字符串并且ASCII它是字节串,它将默认为.

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.