通过正则表达式替换删除非字母数字字符

-1

我有这段代码，我想删除非字母数字字符。问题是它也删除了阿拉伯语单词。我如何保留阿拉伯字符并删除非字母数字字符。通过正则表达式替换删除非字母数字字符

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

它输出空字符串。

但我想这一点：

"سلام"

来源

2017-01-06 Cherif

请注意'\ W +'和'\ w +'是非常不同的。 '\ w'是任何单词字符。它相当于'[A-Za-z0-9_]'，而'\ W'是任何非单词字符，相当于'[^ A-Za-z0-9_]'。 “+”表示“一个或多个” –

[参考 - 这个正则表达式是什么意思？]（http://stackoverflow.com/questions/22937618/reference-what-does-this-regex-mean） –

编辑你的问题，一点也不清楚。提供测试字符串，您尝试的正则表达式以及所需的最终字符串。 – MYGz

编辑的当量：我意识到有一个简单的答案。只要打开Unicode模式上。

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

在Python 3这个标志是不必要的，因为Python的3如何处理Unicode字符串。有关更多信息，请参见https://stackoverflow.com/a/393915/691859。

（旧答案）

您需要定义您实际想要保留的字符类。既然你在处理Unicode字符，你将需要构建一个包含你的角色的角色类...我不是Unicode专家，我也不能读阿拉伯文，但是let's go with what wikipedia says is the Arabic unicode block这是U-0600到U-06FF。

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

的秘诀就是让你的正则表达式本身也是一个unicode字符串，所以你可以把在Unicode转义序列为阿拉伯语的Unicode块。

正如其他人指出的，\W意味着它封装阿拉伯语块。如果你想要的只是阿拉伯文和拉丁文字母数字字符，你可以使用[^\w\u0600-\u06FF]。

[]表示字符类。
^的意思是一切，但你要在课堂上。
\w表示A-Z，a-z，_和0-9。
\u0600是阿拉伯语unicode块中第一个字符的Unicode转义符。
-意思是“一切从为”
\u06FF是在阿拉伯语的Unicode块的最后一个字符的Unicode逃逸。

来源

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

我认为范围是\ u0600到\ u06FF，不是？ – deweyredman

@deweyredman好点，我链接到错误的文章。我正在看一个说基本阿拉伯字符的范围是U-0600到U-0650的范围，但是选择了具有完整表格的链接。我会编辑我的“旧”答案，以便它没有错。 – 2rs2ts

这是因为阿拉伯字符不是一个“字”字的传统意义上的...

看到here

相关的文字：

“\ w表示”单词字符“，它始终与ASCII字符[A-Za-z0-9_]”

...

“上述三个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)

来源

2017-01-06 18:59:27 deweyredman

谢谢你的回答我的问题是，我想删除非字母数字字符，但保留阿拉伯文字！ – Cherif

你想保留所有阿拉伯字符吗？如果是这样，你需要找到你想要代表的第一个和最后一个字符，并创建一个范围 – deweyredman

'\ w'因地区而异，请参见http://pcre.org/pcre.txt – Toto

通过正则表达式替换删除非字母数字字符

回答

相关问题