匹配任意语言的字母

Question

我想知道如何在Python 3中使用正则表达式匹配任何语言的字母。

re.match([a-zA-Z]) 这个写法只能匹配英语字母，但我希望能够同时支持所有语言的字母。

我不想匹配像 ' 这样的字符，比如在 can't 这个词里，也不想匹配下划线或其他格式的字符。我希望我的正则表达式能够匹配：c、a、n、t、Å、é 和 中 这些字母。

Answer 1

你可以使用下面的代码来匹配

\p{L}

这段代码可以匹配任何表示字母的Unicode字符。也就是说，前提是你使用的正则表达式引擎支持Unicode，我真心希望Python能够支持这一点。

Answer 2

使用 \w 这个特殊序列有什么问题吗？

# -*- coding: utf-8 -*-
import re
test = u"can't, Å, é, and 中ABC"
print re.findall('\w+', test, re.UNICODE)

Answer 3

在Python中处理Unicode正则表达式时，我强烈推荐以下几点：

3. 使用 Matthew Barnett的 regex 库，而不是标准的 re 库，因为后者不太适合处理Unicode正则表达式。
4. 只使用Python 3，绝不要使用Python 2。你希望所有的字符串都是Unicode字符串。
5. 只使用逻辑/抽象的Unicode字符，不要使用编码的字节字符串。
6. 设置好你的编码方式后就不用再管它了。如果你发现自己需要手动调用 .encode 之类的，那你几乎肯定是做错了什么。
7. 只使用宽字符集构建，这样代码点和代码单元是相同的，绝对不要使用窄字符集——这可能会让你在Unicode的兼容性上遇到麻烦。
8. 在输入时将所有字符串标准化为NFD格式，输出时再转换为NFC格式。否则你可能无法获得可靠的行为。

一旦你这样做了，就可以安全地编写包含 \w、\p{script=Latin}、\p{alpha} 和 \p{lower} 等模式，并且可以确信这些都会按照 Unicode标准的规定来工作。我在 这个回答中详细解释了Python的Unicode正则表达式的相关内容。简单来说，就是总是使用 regex 而不是 re。

关于一般的Unicode建议，我还有 几场关于Unicode正则表达式的讲座，虽然除了第三场讲座之外，其他的讲座大多不是关于Python的，但很多内容都是可以适用的。

最后，还有 这个回答，可以让你对Unicode有更深的认识。