在Python re中仅匹配Unicode字母

Question

我有一个字符串，我想从中提取出三个部分：

'19 janvier 2012' -> '19', 'janvier', '2012'

这个字符串中的月份名称可能包含非ASCII字符，所以用 [A-Za-z] 这个方式对我来说不太管用：

>>> import re
>>> re.search(ur'(\d{,2}) ([A-Za-z]+) (\d{4})', u'20 janvier 2012', re.UNICODE).groups()
(u'20', u'janvier', u'2012')
>>> re.search(ur'(\d{,2}) ([A-Za-z]+) (\d{4})', u'20 février 2012', re.UNICODE).groups()
Traceback (most recent call last):
  File "<stdin>", line 1, in <module>
AttributeError: 'NoneType' object has no attribute 'groups'
>>> 

我可以使用 \w，但它会匹配数字和下划线，这样就不符合我的需求了：

>>> re.search(ur'(\w+)', u'février', re.UNICODE).groups()
(u'f\xe9vrier',)
>>> re.search(ur'(\w+)', u'fé_q23vrier', re.UNICODE).groups()
(u'f\xe9_q23vrier',)
>>> 

我尝试使用 [:alpha:]，但是没有成功：

>>> re.search(ur'[:alpha:]+', u'février', re.UNICODE).groups()
Traceback (most recent call last):
  File "<stdin>", line 1, in <module>
AttributeError: 'NoneType' object has no attribute 'groups'
>>> 

如果我能找到一种方法来匹配 \w，但不包括 [_0-9]，我不知道该怎么做。而且即使我找到了这种方法，Python里有没有类似 [:alpha:] 的现成快捷方式呢？

Answer 1

你可以创建一个新的字符类别：

[^\W\d_]

而不是使用 \w。简单来说，它的意思是“任何不是非字母数字的字符（[^\W] 和 \w 是一样的），但也不是数字，也不是下划线”。

所以，这样做只会允许使用Unicode字母。