Python将字符串分割为相同语言字符的子串

Question

我想把像 "hiسلامaliعلی" 这样的字符串分开，变成 ["hi", "سلام", "ali", "علی"]。

这个字符串里只包含英语和波斯语的字符（可以有空格，也可以没有），我想把它分成连续的同一种语言的字符。

有没有简单的方法可以从字符串中提取连续的英语字符，并把剩下的字符分开呢？

Answer 1

你可以使用 re.split() 来根据 ASCII 字母进行分割：

re.split(r'([a-zA-Z]+)', inputstring)

下面是一个 Python 3 的示例：

>>> inputstring = "hiسلامaliعلی"
>>> re.split(r'([a-zA-Z]+)', inputstring)
['', 'hi', 'سلام', 'ali', 'علی']

如果想扩展到完整的 Latin-1 字符范围，可以这样做：

re.split(r'([a-zA-Z\xC0-\xFF]+)', inputstring)

对于 Python 2，确保使用 unicode 字符串，并在正则表达式前加上 u：

re.split(ur'([a-zA-Z\xC0-\xFF]+)', inputstring)

在所有情况下，如果拉丁文本出现在字符串的开头或结尾，分割时会插入一个空字符串；你可以用以下方法去掉这些空字符串：

result = [s for s in re.split(r'([a-zA-Z\xC0-\xFF]+)', inputstring) if s]