匹配任意Unicode字母？

Question

在.net中，你可以用\p{L}来匹配任何字母。那么在Python中，我该怎么做呢？也就是说，我想匹配所有的大写字母、小写字母和带重音的字母。

Answer 1

PyPi的regex模块支持\p{L}这个Unicode属性类，还有很多其他功能。你可以在文档中找到“Unicode字符属性，包括脚本和区块”的部分，完整列表可以查看http://www.unicode.org/Public/UNIDATA/PropList.txt。使用regex模块很方便，因为它在任何Python版本中都能提供一致的结果（要注意，Unicode标准在不断发展，支持的字母数量也在增加）。

你可以通过pip install regex（或者pip3 install regex）来安装这个库，然后使用它。

\p{L}        # To match any Unicode letter
\p{Lu}       # To match any uppercase Unicode letter
\p{Ll}       # To match any lowercase Unicode letter
\p{L}\p{M}*  # To match any Unicode letter and any amount of diacritics after it

下面是一些使用示例：

import regex
text = r'Abc-++-Абв. It’s “Łąć”!'
# Removing letters:
print( regex.sub(r'\p{L}+', '', text) ) # => -++-. ’ “”!
# Extracting letter chunks:
print( regex.findall(r'\p{L}+', text) ) # => ['Abc', 'Абв', 'It', 's', 'Łąć']
# Removing all but letters:
print( regex.sub(r'\P{L}+', '', text) ) # => AbcАбвItsŁąć
# Removing all letters but ASCII letters:
print( regex.sub(r'[^\P{L}a-zA-Z]+', '', text) ) # => Abc-++-. It’s “”!

你可以查看这个在线Python演示

Answer 2

Python的re模块目前还不支持Unicode属性。不过，你可以使用re.UNICODE这个标志来编译你的正则表达式，这样\w这个字符类的简写就可以匹配Unicode字母了。

因为\w也会匹配数字，所以你需要把数字和下划线从你的字符类中去掉：

[^\W\d_]

这样就可以匹配任何Unicode字母了。

>>> import re
>>> r = re.compile(r'[^\W\d_]', re.U)
>>> r.match('x')
<_sre.SRE_Match object at 0x0000000001DBCF38>
>>> r.match(u'é')
<_sre.SRE_Match object at 0x0000000002253030>