通過正則表達式替換刪除非字母數字字符

-1

我有這段代碼，我想刪除非字母數字字符。問題是它也刪除了阿拉伯語單詞。我如何保留阿拉伯字符並刪除非字母數字字符。通過正則表達式替換刪除非字母數字字符

# -*- coding: utf-8 -*- 
import re 
hello = u"سلام [email protected]#(*&" 
print re.sub(r'\W+', '', hello)

它輸出空字符串。

但我想這一點：

"سلام"

來源

2017-01-06 Cherif

請注意'\ W +'和'\ w +'是非常不同的。 '\ w'是任何單詞字符。它相當於'[A-Za-z0-9_]'，而'\ W'是任何非單詞字符，相當於'[^ A-Za-z0-9_]'。「+」表示「一個或多個」 –

[參考 - 這個正則表達式是什麼意思？]（http://stackoverflow.com/questions/22937618/reference-what-does-this-regex-mean） –

編輯你的問題，一點也不清楚。提供測試字符串，您嘗試的正則表達式以及所需的最終字符串。 – MYGz

編輯的當量：我意識到有一個簡單的答案。只要打開Unicode模式上。

re.sub(r'\W', '', hello, flags=re.UNICODE)

在Python 3這個標誌是不必要的，因爲Python的3如何處理Unicode字符串。有關更多信息，請參見https://stackoverflow.com/a/393915/691859。

（舊答案）

您需要定義您實際想要保留的字符類。既然你在處理Unicode字符，你將需要構建一個包含你的角色的角色類...我不是Unicode專家，我也不能讀阿拉伯文，但是let's go with what wikipedia says is the Arabic unicode block這是U-0600到U-06FF。

>>> re.sub(ur'[^\u0600-\u06FF]', '', hello) 
u'\u0633\u0644\u0627\u0645'

的祕訣就是讓你的正則表達式本身也是一個unicode字符串，所以你可以把在Unicode轉義序列爲阿拉伯語的Unicode塊。

正如其他人指出的，\W意味着它封裝阿拉伯語塊。如果你想要的只是阿拉伯文和拉丁文字母數字字符，你可以使用[^\w\u0600-\u06FF]。

[]表示字符類。
^的意思是一切，但你要在課堂上。
\w表示A-Z，a-z，_和0-9。
\u0600是阿拉伯語unicode塊中第一個字符的Unicode轉義符。
-意思是「一切從爲」
\u06FF是在阿拉伯語的Unicode塊的最後一個字符的Unicode逃逸。

來源

2017-01-06 19:35:18 2rs2ts

我認爲範圍是\ u0600到\ u06FF，不是？ – deweyredman

@deweyredman好點，我鏈接到錯誤的文章。我正在看一個說基本阿拉伯字符的範圍是U-0600到U-0650的範圍，但是選擇了具有完整表格的鏈接。我會編輯我的「舊」答案，以便它沒有錯。 – 2rs2ts

這是因爲阿拉伯字符不是一個「字」字的傳統意義上的...

看到here

相關的文字：

「\ w表示」單詞字符「，它始終與ASCII字符[A-Za-z0-9_]」

...

「上述三個shorthands也有否定版本。 \ d是相同的[^ \ d] \ W是短期的[^ \ W]和\ S是[^ \ s]的「

# -*- coding: utf-8 -*- 
import re 
hello = u"سلام [email protected]#(*&" 
print re.sub(ur'[^\w^\u0600-\u06FF]', '', hello)

來源

2017-01-06 18:59:27 deweyredman

謝謝你的回答我的問題是，我想刪除非字母數字字符，但保留阿拉伯文字！ – Cherif

你想保留所有阿拉伯字符嗎？如果是這樣，你需要找到你想要代表的第一個和最後一個字符，並創建一個範圍 – deweyredman

'\ w'因地區而異，請參見http://pcre.org/pcre.txt – Toto

通過正則表達式替換刪除非字母數字字符

回答

相關問題