单词的正则表达式不包含西里尔字母

Question

我想从任何不包含至少一个西里尔字母的单词中清除字符串（单词我的意思是字符串的一部分被空格字符分割）

我试过line = re.sub(' *^[^а-яА-Я]+ *', ' ', line)其中[а-яА-Я]是一组西里尔字母，但是在处理字符串时

 des поместья, de la famille Buonaparte. Non, je vous préviens que si vous

它返回

поместья, de la famille Buonaparte. Non, je vous préviens que si vous

而不仅仅是

поместья

Answer 1

一种选择是匹配 1 个或多个不在 а-яА-Я 范围内的字符，并排除添加[^а-яА-Я\s]+匹配空白字符

负环视(?<!\S)和(?!\S)将空白边界断言到左侧和右侧。

替换为空字符串时，可能会有双倍间距，您必须将其替换为一个空格。

如果不想匹配结尾的逗号，可以使用 strip 并添加要删除的字符。

请参阅匹配的正则表达式演示。

例如：

import re

s = " des поместья, de la famille Buonaparte. Non, je vous préviens que si vous"
pattern = r"(?<!\S)[^а-яА-Я\s]+(?!\S)"
print(re.sub(pattern, "", s).strip(', '))

Output

поместья

Answer 2

您希望保留其中至少包含一个西里尔字符的任何非空白块。

您可以str.split()字符串并使用unicodedata检查是否至少有一个字符是西里尔字母，并且只保留这些“单词”：

import unicodedata as ud
result = ' '.join([word for word in text.split() if any('CYRILLIC' in ud.name(c) for c in word)])
print(result) # => поместья,

如果您还需要去除任何标点符号，请使用Best way to strip punctuation from a string中的任何解决方案：

import string
result = ' '.join([word.translate(str.maketrans('', '', string.punctuation)) for word in text.split() if any('CYRILLIC' in ud.name(c) for c in word)])
print(result) # => поместья

在线查看 Python 演示。 详情：

• [word.translate(str.maketrans('', '', string.punctuation)) for word in text.split() if any('CYRILLIC' in ud.name(c) for c in word)] - 列表理解那个
  • text.split()将text拆分为非空白块
  • if any('CYRILLIC' in ud.name(c) for c in word) - 条件检查word是否包含至少一个西里尔字符
  • word.translate(str.maketrans('', '', string.punctuation)) - 如果上述条件为True ，则获取word并从中删除标点符号
• ' '.join(...) - 将列表项连接成单个空格分隔的字符串。