包含和排除字符的正则表达式

Question

我有以下几乎可以正常工作的正则表达式。

WORD_REGEXP = re.compile(r"[a-zA-Zá-úÁ-Úñ]+")

它包括带和不带重音的小写和大写字母以及西班牙语字母«ñ»。 不幸的是，它还包括（我不知道为什么）在西班牙语中也使用的字符，如 «¡» 或 «¿»，我也想删除它们。

像¡España, olé! 我想通过正则表达式只提取España和olé 。

如何在正则表达式中排除这两个字符（«¿»、«¡»）？

---

根据 stribizhe 的说法，正则表达式似乎没问题。 所以问题一定是其他的。 我包括完整的 Python 代码：

import re

linea = "¡Arriba Éspáña, ¿olé!"

WORD_REGEXP = re.compile(r"([a-zA-Zá-úÁ-Úñ]+)", re.UNICODE)

palabras = WORD_REGEXP.findall(linea)

for pal in palabras:
    pal = unicode(pal,'latin1').encode('latin1', 'replace')
    print pal

结果如下：

¡Arriba
Éspáña
¿olé

Answer 1

根据文档，使用特殊序列'\\w' ：

如果设置了 UNICODE，这将匹配字符 [0-9_] 加上在 Unicode 字符属性数据库中归类为字母数字的任何内容。

但是请注意，您的字符串必须是 unicode 字符串：

import re

linea = u"¡Arriba Éspáña, ¿olé!"

regex = re.compile(r"\w+", re.UNICODE)

regex.findall(linea)
# [u'Arriba', u'\xc9sp\xe1\xf1a', u'ol\xe9']

注意：您的错误的原因是您的正则表达式被解释为 UTF-8，例如：

您的模式r'([a-zA-Zá-úÁ-Úñ]+)'未定义为 unicode 字符串，因此它由您的文本编辑器编码为 UTF-8，并由 python 读取为'([a-zA-Z\\xc3\\xa1-\\xc3\\xba\\xc3\\x81-\\xc3\\x9a\\xc3\\xb1]+)' ，注意以\\xc3开头的模式（即 Unicode 起始字节）。

您可以通过打印WORD_REGEXP的repr来确认这WORD_REGEXP 。 所以re模块使用的实际模式是：

patt = r"([a-zA-Zá-úÁ-Úñ]+)"
print patt.decode('latin1')

或者：

a-z
A-Z
\xc3
\xa1-\xc3
\xba
\xc3
\x81-\xc3    
\x9a
\xc3
\xb1

简化它，您实际上是在使用模式

a-zA-Z\x81-\xc3

最后一个范围，涵盖了很多字符！！

Answer 2

最好使用代码点。 这些字符的代码点是

¡ - \x{A1}
¿ - \x{BF}  

这似乎超出了您的重音字符的范围。

 [a-zA-Z\x{E1}-\x{FA}\x{C1}-\x{DA}\x{F1}]+