正则表达式匹配所有非字母，不包括变音符号（python）答案

【问题标题】：Regex match all non letters excluding diacritics (python)正则表达式匹配所有非字母，不包括变音符号（python）
【发布时间】：2016-11-28 04:01:39
【问题描述】：

我找到了这个出色的指南：http://www.regular-expressions.info/unicode.html#category，它提供了一些关于如何将非字母与以下正则表达式匹配的提示：

\P{L}

但是这个正则表达式也会考虑非字母 à 编码为 U+0061 U+0300 （如果我理解得很好的话）。例如在python中使用regex模块如下sn-p：

all_letter_doc = regex.sub(r'\P{L}', ' ', doc)

将purè 转换为pur

在指南中提供了如何将所有字母与以下内容匹配：

\p{L}\p{M}*+

实际上我需要否定它，但我不知道如何获得它。

【问题讨论】：

【解决方案1】：

由于您使用的是 Python 2.x，因此您的 r'\P{L}' 是一个字节字符串，而您的输入是 Unicode。您需要使您的模式成为 Unicode 字符串。见PyPi regex reference：

如果既没有指定ASCII、LOCALE 和UNICODE 标志，则如果正则表达式模式是Unicode 字符串，则默认为UNICODE，如果是字节字符串，则默认为ASCII。

因此，您需要使用ur'\P{L}' 和u' ' 替换模式。

如果你想匹配 1+ 个字符而不是字母和变音符号，你需要ur'[^\p{L}\p{M}]+' regex。

【讨论】：