非ASCII字符的正则表达式

Question

在Python 3中使用正则表达式考虑此代码段：

>>> t = "Meu cão é #paraplégico$."
>>> re.sub("[^A-Za-z0-9 ]","",t,flags=re.UNICODE)
'Meu co  paraplgico'

为什么删除非ASCII字符？ 我试过没有国旗，都一样。

另外，任何人都可以在Python 2.7上进行这项工作吗？

Answer 1

您正在用空格（ "" ）替换非字母数字字符（ [^A-Za-z0-9 ] ）。 非ASCII字符不在AZ，az或0-9之间，因此可以替换它们。

您可以像这样匹配所有单词字符：

>>> t = "Meu cão é #paraplégico$."
>>> re.sub("[^\w ]","",t, flags=re.UNICODE)
>>> 'Meu cão é paraplégico'

或者，您可以像这样将字符添加到正则表达式中： [^A-Za-z0-9ãé ] 。

Answer 2

[In 1]: import regex
[In 2]: t = u"Meu cão é #paraplégico$."
[In 3]: regex.sub(r"[^\p{Alpha} ]","",t,flags=regex.UNICODE)
[In 4]: print(regex.sub(r"[^\p{Alpha} ]","",t,flags=regex.UNICODE))

Mécãoéparaplégico

Answer 3

我通过切换到regex库（从PyPI）解决了这一问题。

然后regex命令变成：

regex.sub(ur"[^\p{L}\p{N} ]+", u"", t)