非科学字符的Regexp

Question

考虑一下在Python 3中使用正则表达式的代码片段：

>>> t = "Meu cão é #paraplégico$."
>>> re.sub("[^A-Za-z0-9 ]","",t,flags=re.UNICODE)
'Meu co  paraplgico'

为什么要删除非ASCII字符？我试过没有国旗，一切都一样。在

另外，还有人能在Python2.7上实现这一点吗？在

Answer 1

您正在将非字母数字字符（[^A-Za-z0-9 ]）替换为空白（""）。非ASCII字符不在A-Z、A-Z或0-9之间，因此它们被替换。在

您可以像这样匹配所有单词字符：

>>> t = "Meu cão é #paraplégico$."
>>> re.sub("[^\w ]","",t, flags=re.UNICODE)
>>> 'Meu cão é paraplégico'

或者您可以将这些字符添加到正则表达式中，如下所示：[^A-Za-z0-9ãé ]。在

Answer 2

[In 1]: import regex
[In 2]: t = u"Meu cão é #paraplégico$."
[In 3]: regex.sub(r"[^\p{Alpha} ]","",t,flags=regex.UNICODE)
[In 4]: print(regex.sub(r"[^\p{Alpha} ]","",t,flags=regex.UNICODE))

Meu cão é paraplégico

Answer 3

我通过切换到regex库（从PyPI）解决了这个问题。在

然后regex命令变成：

regex.sub(ur"[^\p{L}\p{N} ]+", u"", t)