python-re：如何匹配字母字符

Question

如何将一个字母字符与一个正则表达式匹配。我想要一个\w不在但不在的角色\d。我希望它与unicode兼容，这就是为什么我不能使用[a-zA-Z]。

Answer 1

您的前两个句子相互矛盾。“在\w但不在\d”中包括下划线。我假设从您的第三句话开始，您不想下划线。

使用信封背面的维恩图会有所帮助。让我们看看我们不想要的：

（1）不匹配的字符\w（即，不需要字母，数字或下划线的任何内容）=> \W
（2）数字=> \d
（3）下划线=>_

所以我们不需要的是角色类中的任何东西[\W\d_]，因此我们想要的是角色类中的任何东西[^\W\d_]

这是一个简单的示例（Python 2.6）。

>>> import re
>>> rx = re.compile("[^\W\d_]+", re.UNICODE)
>>> rx.findall(u"abc_def,k9")
[u'abc', u'def', u'k']

进一步的探索揭示了这种方法的一些怪癖：

>>> import unicodedata as ucd
>>> allsorts =u"\u0473\u0660\u06c9\u24e8\u4e0a\u3020\u3021"
>>> for x in allsorts:
...     print repr(x), ucd.category(x), ucd.name(x)
...
u'\u0473' Ll CYRILLIC SMALL LETTER FITA
u'\u0660' Nd ARABIC-INDIC DIGIT ZERO
u'\u06c9' Lo ARABIC LETTER KIRGHIZ YU
u'\u24e8' So CIRCLED LATIN SMALL LETTER Y
u'\u4e0a' Lo CJK UNIFIED IDEOGRAPH-4E0A
u'\u3020' So POSTAL MARK FACE
u'\u3021' Nl HANGZHOU NUMERAL ONE
>>> rx.findall(allsorts)
[u'\u0473', u'\u06c9', u'\u4e0a', u'\u3021']

U + 3021（杭州数字ONE）被视为数字（因此与\ w匹配），但是Python似乎将“数字”解释为“十进制数字”（类别Nd），因此与\ d不匹配

U + 2438（圆形拉丁文小写字母Y）与\ w不匹配

所有CJK表意文字均归类为“字母”，因此与\ w

无论上述3点中的任何一个是否值得关注，该方法都是您最好脱离当前发布的re模块的最佳方法。将来会使用\ p {letter}之类的语法。