如何在正則表達式中包含重音詞

Question

我有一個utf-8文本，其中包含大寫單詞：

La cinta, que hoy se estrena en nuestro país, competirá contra Hors la
Loi, de Argelia, Dogtooth, de Grecia, Incendies, de Canadá, Life above
all , de Sudáfrica, y con la ganadora del Globo de Oro, In A Better
World, de Dinamarca.

理想的輸出是替換所有以大寫字母開頭的占位符（即#NE# ），第一個單詞除外。 因此，所需的輸出如下所示：

La cinta, que hoy se estrena en nuestro país, competirá contra  #NE#
la  #NE# , de #NE# ,  #NE# , de  #NE# ,  #NE# , de  #NE#,  #NE# above
all , de #NE# , y con la ganadora del  #NE# de  #NE# ,  #NE# A #NE# #NE# , de  #NE# .

我已經嘗試過使用正則表達式，如下所示：

>>> import re
>>> def blind_CAPS_without_first_word(text):
...     first_word, _, the_rest = text.partition(' ')
...     blinded = re.sub('(?:[A-Z][\w]+\s*)', ' #NE# ', the_rest)
...     return " ".join([first_word, blinded])
... 
>>> text = "La cinta, que hoy se estrena en nuestro país, competirá contra Hors la Loi, de Argelia, Dogtooth, de Grecia, Incendies, de Canadá, Life above all , de Sudáfrica, y con la ganadora del Globo de Oro, In A Better World, de Dinamarca."
>>> blind_CAPS_without_first_word(text)

[出]：

拉辛塔（La cinta），聖埃斯特雷納河畔埃斯特雷納（nu hostro nuestropaís），競爭＃NE＃la＃NE＃，de #NE＃，＃NE＃，de #NE＃，＃NE＃，de＃NE＃á，＃NE＃ ，de＃NE＃非洲，y con la ganadora del＃NE＃de＃NE＃，＃NE＃A＃NE＃＃NE＃，de＃NE＃。

但是使用\\w ，正則表達式不考慮重音字符，例如Canadá -> #NE# á ; Sudáfrica -> #NE# áfrica 。 我該如何解決？ 如何在我的正則表達式中包含重音詞？ 它必須是Canadá -> #NE# ; Sudáfrica -> #NE# 。

我想如果忽略像A這樣A單個字符單詞仍然是A 。 除非有解決方法。

Answer 1

因為\\w+或[\\w]+與重音字符不匹配。 因此它無法匹配這些單詞。

您可以使用\\S+代替\\w+

re.sub(r'[A-Z]\S+\s*', ' #NE# ', the_rest)

要么

如果只想匹配任何語言的單詞字符，請使用regex模塊。

regex.sub(r'[A-Z]\p{L}+\s*', ' #NE# ', the_rest)

Answer 2

您是否有可能使用unicode表示法捕獲字符范圍？ 示例：[\\ xC0- \\ xE1]還是其他？ 我是由Pythex運行的，它似乎並不介意...您需要找到自己的范圍，但這只是一個開始:)

希望這可以幫助。