python regex查找重音词

Question

请我帮忙。 尝试在文本（西班牙语）中找到带重音的单词时遇到问题。 我必须在大文本中搜索以“ Nombrevernáculo”开头的第一段
例如，该文本为：“ ... ...”
但是我的python脚本无法识别带重音的单词。

我尝试过：

re.compile('/(?<!\p{L})(vern[áa]culo*)(?!\p{L})/')
re.compile(r'Nombre vern[a\xc3\xa1]culo\.', re.UNICODE)
re.compile ('[A-Z][a-záéíóúñ]+')
\p{Lu}] [\p{Ll}]+ \b

我已阅读以下主题：

grep / regex找不到重音词
Python Regex带有重音字符的奇怪行为
Python正则表达式和重音表达
Python：将正则表达式和令牌与带重音符号的字符一起使用（负向后看）

我也发现了几乎可行的方法：

In [95]: dd=re.search(r'^\w.*', 'Nombre vernáculo' )
In [96]: dd.group(0)
Out[96]: 'Nombre vern\xc3\xa1culo'

但是它还会返回文本中所有带重音的单词。

任何帮助将不胜感激。 谢谢。

Answer 1

最简单的方法与在Python 3中相同。这意味着您必须显式使用unicode而不是str对象，包括u前缀的字符串文字。 并且，理想情况下，在文件顶部有一个显式的编码声明，因此您也可以用Unicode编写文字。

# -*- coding: utf-8 -*-

import re

pattern = re.compile(ur'Nombre vern[aá]culo'`)
text = u'Nombre vernáculo'
match = pattern.search(text)
print match

请注意，我取消了\\. 在图案的末端。 您的文字不以结尾. ，因此您不应该寻找一个，否则它将失败。

当然，如果您要搜索源代码之外的文本，则需要对其进行decode('utf-8') ，或者对文件io.open或codecs.open进行decode('utf-8')而不只是open等）。

---

如果您不能使用编码声明，或者不能信任您的文本编辑器来处理UTF-8，您仍然可以使用Unicode字符串，只需使用Unicode代码点对字符进行转义即可：

import re

pattern = re.compile(ur'Nombre vern[a\xe1]culo'`)
text = u'Nombre vern\xe1culo'
match = pattern.search(text)
print match

---

如果必须使用str ，则必须像尝试那样手动编码为UTF-8并转义单个字节。 但是现在您不是要匹配单个字符，而是要匹配多个字符序列\\xc3\\xa1 。 因此，您不能使用字符类。 相反，您已将其显式地写成一个交替的组：

pattern = re.compile(r'Nombre vern(?:a|\xc3\xa1)culo')
text = 'Nombre vern\xc3\xa1culo'
match = pattern.search(text)
print match

Answer 2

import re
r1 = re.compile(r'(Nombre vernáculo)')
x = 'Nombre vernáculo registrado en la zona de'
match = r1.search(x)
print(match.group(1))

使用python 2：

/tmp> python2 test.py
  File "test.py", line 5
SyntaxError: Non-ASCII character '\xc3' in file test.py on line 5, but no encoding declared; see http://python.org/dev/peps/pep-0263/ for details

使用python 3：

/tmp> python3 test.py 
Nombre vernáculo