使用正则表达式的Unicode正则表达式不适用于Python

Question

我有以下正则表达式（see it in action in PCRE）

.*?\P{L}*?(\p{L}+-?(\p{L}+)?)\P{L}*$

但是，Python不支持使用\p{}语法的unicode正则表达式。要解决此问题I read，我可以使用regex模块（不是默认re），但这似乎也不起作用。甚至没有u标志。

示例：

sentence = "valt nog zoveel zal kunnen zeggen, "

print(re.sub(".*?\P{L}*?(\p{L}+-?(\p{L}+)?)\P{L}*$","\1",sentence))

• 输出：＆lt;空白＆gt;
• 预期输出：zeggen

这不适用于Python 3.4.3。

Answer 1

正如您所见，re模块中没有.numberBoxes { }这样的unicode字符类。但是，这并不意味着您无法使用re模块执行此操作，因为\p{L}可以使用\p{L}标记替换为[^\W\d_]（即使存在小标记）这两个字符类之间的差异，请参阅注释中的链接）。

第二点，你的方法不是好的方法（如果我理解得很好，你试图提取每一行的最后一个单词），因为你奇怪地决定删除所有不是最后一个单词（除了换行符）有一个替代品。 〜52000步骤提取10行文本中的10个单词是不可接受的（并且会因更多字符而崩溃）。更有效的方法是查找所有最后的单词，请参阅此示例：

UNICODE

通知：

• 要使用python 2.7获得相同的结果，您只需要在字符串的单引号前添加import re s = '''Ik heb nog nooit een kat gezien zo lélijk! Het is een minder lelijk dan uw hond.''' p = re.compile(r'^.*\b(?<!-)(\w+(?:-\w+)*)', re.M | re.U) words = p.findall(s) print('\n'.join(words)) ：u

• 如果您绝对希望将结果限制为避免数字和下划线的字母，请在模式中将s = u'''...替换为\w。

• 如果使用正则表达式模块，也许字符类[^\W\d_]更适合您的使用，或者您选择的任何模块，更明确的类只包含所需的字符，例如： \p{IsLatin}

• 您可以使用此模式对正则表达式模块实现相同的目标：
  [A-Za-záéóú...

其他方式：

与re模块一致：

p = regex.compile(r'^.*\m(?<!-)(\pL+(?:-\pL+)*)', regex.M | regex.U)

使用正则表达式模块，您可以利用反向搜索：

p = re.compile(r'[^\w-]+', re.U)
for line in s.split('\n'):
    print(p.split(line+' ')[-2])

Answer 2

这篇文章解释了如何在python中使用unicode属性：

Python regex matching Unicode properties

  

你有没有试过Ponyguruma，一个绑定到Oniguruma的Python   正则表达引擎？在那个引擎中你可以简单地说   \p{Armenian}匹配亚美尼亚字符。 \p{Ll}或\p{Zs}工作   太