寻找包含字母数字 + "&" 和 ";" 的正则表达式

Question

这是一个问题：

split=re.compile('\\W*')

这个正则表达式在处理普通单词时效果很好，但有时候我需要这个表达式能够包含像 käyttäj&aml;auml; 这样的单词。

我应该在正则表达式中添加什么，才能包含 & 和 ; 这两个字符呢？

Answer 1

你应该创建一个字符类，里面包含额外的字符。比如：

split=re.compile('[\w&;]+')

这样就可以了。顺便告诉你一些信息：

• \w（小写的'w'）匹配字母和数字这些字符。
• \W（大写的'W'）是一个反向字符类，也就是说它匹配任何不是字母或数字的字符。
• *表示可以匹配0次或多次，而+表示至少要匹配1次，所以*可以匹配任何东西（即使没有字符也可以）。

Answer 2

我会把这些实体当作一个整体来看待（因为它们也可以包含数字字符代码），所以可以用下面这个正则表达式：

(\w|&(#(x[0-9a-fA-F]+|[0-9]+)|[a-z]+);)+

这个表达式可以匹配：

• 一个单词字符（包括“_”），或者
• 一个HTML实体，这个实体包含：
• 字符“&”，
• 字符“#”，
• 字符“x”后面跟着至少一个十六进制数字，或者
• 至少一个十进制数字，或者
• 至少一个字母（也就是命名实体），
• 一个分号
• 至少出现一次。

/编辑：感谢ΤΖΩΤΖΙΟΥ指出了一个错误。

Answer 3

你可能想要反过来解决这个问题，也就是说，找出所有没有空格的字符：

[^ \t\n]*

或者你想要添加额外的字符：

[a-zA-Z0-9&;]*

如果你想要匹配HTML实体，可以试试这样的做法：

(\w+|&\w+;)*