![](/img/trans.png)
[英]Regex to get list of all words with specific letters (unicode graphemes)
[英]Writing python regex that recognizes all unicode letters
python中没有[\\ p {Ll} \\ p {Lo} \\ 1 ,而且我正在努力编写可识别unicode的正则表达式...并且不会混淆标点符号(例如'-'或添加有趣的变音符号)当脚本遇到语音标记(例如“ô”或“طس”)时。
我的目标是标记所有字母(ASCII和任何unicode)并返回“ A”。 数字[1-9]等于9。
我当前的功能是:
def multiple_replace(myString):
myString = re.sub(r'(?u)[^\W\d_]|-','A', myString)
myString = re.sub(r'[0-9]', '9', myString)
return myString
我得到的回报是(请注意在标记“-”的过程上有些不完善...有时被标记为“ A”,有时被标记为“Aœ”):
TX 35-L | AA 99AA
М-21 | AAœA99
A 1 طس | A 9 A~˜A·A~AA
US-50 | AAA99
yeni sinop-erfelek yolu çevre yolu | AAAA AAAAAAAAAAAAA AAAA AƒA§AAAA AAAA
Av Antônio Ribeiro | AA AAAAƒA´AAA AAAAAAA
我需要得到的是:
TX 35-L | AA 99-A
М-21 | A-99
A 1 طس | A 9 AAAAA
US-50 | AA-99
yeni sinop-erfelek yolu çevre yolu | AAAA AAAAAAAAAAAAA AAAA AAAAAAAA AAAA
Av Antônio Ribeiro | AA AAAAAAAAAA AAAAAAA
...甚至(使用python re 2.7)甚至有可能通常识别不是通用标点符号的所有UTF-8字符(即'()',',','。','-'等)和NOT 1-9个没有[\\ p {Ll} \\ p {Lo} \\}的数字?
如果使用Python 2.7,请使用Unicode字符串。 我假设您的“我需要的”示例不正确,或者您真的想要AAAAA
作为طس
吗? 如果从文件中读取字符串,请首先将字符串解码为Unicode。
#!python2
#coding: utf8
import re
# Note leading u
data = u'TX 35-L|М-21|A 1 طس|US-50|yeni sinop-erfelek yolu çevre yolu|Av Antônio Ribeiro'.split('|')
for d in data:
r = re.sub(ur'(?u)[^\W\d_]',u'A', d)
r = re.sub(ur'[0-9]', u'9', r)
print d
print r
print
输出:
TX 35-L
AA 99-A
М-21
A-99
A 1 طس
A 9 AA
US-50
AA-99
yeni sinop-erfelek yolu çevre yolu
AAAA AAAAA-AAAAAAA AAAA AAAAA AAAA
Av Antônio Ribeiro
AA AAAAAAA AAAAAAA
不知道为什么我的答案刚刚被删除,但是这就是我的想法:
函数(正则表达式):
def multiple_replace(myString):
myString = re.sub(ur'(?u)[^\W\d_]', u'A', myString)
myString = re.sub(ur'[0-9]', u'9', myString)
return myString
通话(带解码):
with codecs.open(r'test5.txt', 'w', 'utf-8') as outfile1:
for row in reader:
unicode_row = [x.decode('utf-8') for x in row]
item = unicode_row[csv_col_index]
outfile1.write(row[1] + "," + item + "," + multiple_replace(item) + "\n")
声明:本站的技术帖子网页,遵循CC BY-SA 4.0协议,如果您需要转载,请注明本站网址或者原文地址。任何问题请咨询:yoyou2525@163.com.