删除特殊字符，但不删除重音字母

Question

我执行以下操作：

\n\n

re.sub(r'[^ \\nA-Za-z0-9/]+', '', document)\n

\n\n

删除除字母数字、空格、换行符或正斜杠之外的所有字符。

\n\n

所以我基本上想删除除换行符和正斜杠之外的所有特殊字符。

\n\n

但是，我不想删除各种语言（例如法语、德语等）中的重音字母。

\n\n

但是如果我运行上面的代码，那么例如这个词

\n\n

Mot\xc3\xb6rhead

\n\n

变成

\n\n

Motrhead

\n\n

我不想这样做。

\n\n

那么如何运行上面的代码而不删除重音字母呢？

\n\n

更新：

\n\n

下面的@MattM提出了一个解决方案，该解决方案适用于英语、法语、德语等语言，但它肯定不适用于波兰语等语言，因为波兰语中所有重音字母仍被删除。

\n

Answer 1

我很确定这会满足您的需要

\n

x = re.sub(r\'[^ \\nA-Za-z0-9\xc3\x80-\xc3\x96\xc3\x98-\xc3\xb6\xc3\xb8-\xc3\xbf/]+\', \'\', \'Mot\xc3\xb6rhead\')\n

\n

另请查看此处有关 javascript 正则表达式的讨论，尽管存在差异，但它还是有一些相关信息

\n\n

编辑-

\n

为了扩展 Outcast 的新问题 - 是的，您可以包含非拉丁字符。然而，这可能会变得太麻烦。如果您查看Unicode 字符列表，您会发现我包含了带重音的拉丁字符范围。因此，如果您还想包含所有西里尔字符，我们将添加\xd0\x80-\xd3\xbf到正则表达式中。

\n

import re\n\nyourString = \'Cyrillic Char \xd1\xa4\'\nyourString = re.sub(r\'[^ \\nA-Za-z0-9\xc3\x80-\xc3\x96\xc3\x98-\xc3\xb6\xc3\xb8-\xc3\xbf\xd0\x80-\xd3\xbf/]+\', \'\', yourString)\ntext_file = open("Output.txt", "wb")\ntext_file.write(yourString.encode(\'utf8\'))\ntext_file.close()\n

\n

但是，使用此方法，您可能必须包含许多范围，具体取决于您想要或不想要哪种语言的哪些字符。

\n