如何让这个正则表达式忽略重音字符？

Question

我有一个文本文件，我的脚本正在读取并从中获取最频繁的单词。然而，在这样做的过程中，在对源文本进行清理的过程中，它无法处理重音字符（在本例中，它们是úűűű）。在

这就是我现在所拥有的。在

str = re.sub(r'\W+', ' ', str)

这只是删除重音字符。我尝试过添加flags=re.U，但它以另一种方式扰乱了结果。我怀疑有一个简单的方法来解决我的问题，我一直在寻找，但没有成功，所以我求助于你。提前谢谢。在

Answer 1

您需要使用正确的修饰符：

str = re.sub(ur'\W+', u' ', s, flags=re.UNICODE)
                                     ^^^^^^^^^^

见Python 2.x docs：

Make the \w, \W, \b, \B, \d, \D, \s and \S sequences dependent on the Unicode character properties database. Also enables non-ASCII matching for IGNORECASE.

以下是在线Python 2.7 demo：

^{pr2}$