Mac OS X终端中的Python regex withÄÄÖ（utf8）

Question

我正在尝试将包含瑞典字符的字符串与重新分割，但我不能让代码工作。在

wordsre = re.compile(r"[\WåäöÅÄÖ]+")
mytext = "hej. och gå! Med en #katt som leker 9 liv!"
newtext = wordsre.split(mytext)

输出为：

^{pr2}$

编辑：第三个单词应该是“gå”。瑞典字符“å”丢失。在

我在Mac OS X Mavericks上，在终端（Bash）输出中使用Python3.4和“locale”：

LANG="sv_SE.UTF-8"
LC_COLLATE="sv_SE.UTF-8"
LC_CTYPE="sv_SE.UTF-8"
LC_MESSAGES="sv_SE.UTF-8"
LC_MONETARY="sv_SE.UTF-8"
LC_NUMERIC="sv_SE.UTF-8"
LC_TIME="sv_SE.UTF-8"
LC_ALL=

我在Ubuntu论坛上找到了这个帖子，但是我不明白为什么它对我不起作用，尽管语言环境是正确的。在

http://ubuntuforums.org/showthread.php?t=1534940

Answer 1

小字体：使用\w，而不是\W

这将起作用：

[\wåäöÅÄÖ]+

在Python中：

^{pr2}$

输出：

['hej', 'och', 'gå', 'Med', 'en', 'katt', 'som', 'leker', '9', 'liv']

说明

• \W匹配不是字母、数字或下划线的字符，这与我们想要匹配单词的内容相反
• 在python2中，\w匹配ASCII字母、数字或下划线（除非如@MartijnPieters指出，您使用re.UNICODE选项）
• 在Python3中，\w匹配unicode字母、象形文字、数字或下划线（除非，正如@MartijnPieters所指出的那样，您使用re.ASCII选项），这样重音字母就不需要了（\w+就足够了）

Answer 2

从索引1中获取匹配的组

([^\s]+)

Live DEMO

或者试试看

^{pr2}$

Live DEMO

根据您的预期输出使用下面的正则表达式，排除空格，点，哈希和解释符号。在

([^\s\.#!]+)

Live DEMO

---

样本代码：

import re
p = re.compile(ur'([^\s]+)')
test_str = u"hej. och gå! Med en #katt som leker 9 liv!"

re.findall(p, test_str)

Answer 3

在要分割的字符中包含å。看来你误解了分割的作用。在

re.split()将在匹配characters类的任何内容上拆分单词；在您的例子中，这意味着任何\W匹配（任何不是字母、数字或_）的内容，并将字符åÅäÄöÖ添加到该集合中。在

如果不想拆分这些字符，请省略这些字符：

wordsre = re.compile(r"\W+")

{3}不是正则表达式的一部分。在

演示：

^{pr2}$

由于\w是\W的反义词，您也可以使用re.findall()代替{}，使用{}模式提取单词，而不是删除非单词字符：

>>> re.findall(r'\w+', mytext)
['hej', 'och', 'gå', 'Med', 'en', 'katt', 'som', 'leker', '9', 'liv']

另一个好处是现在没有尾随的空字符串。在

同样，当使用Unicode模式时，所有字母都包括在内，字符集不仅仅限于ASCII字母字符。在