我有一些文档经过 OCR 转换，从 PDF 转换为 HTML。正因为如此，他们最终在转换器搞砸的地方有很多随机的 unicode 标点符号（即省略号等）。他们也正确地有一堆非英语，但仍然是字母字符，如 é 和俄语字符等......
有没有办法制作一个匹配任何 unicode 字母字符（来自任何语言的字母）的正则表达式？还是只匹配非字母字符？任何一个都会非常有帮助和真棒。我正在使用 Perl，如果这改变了任何东西。谢谢！
【问题讨论】：
标签： regex perl unicode character-properties
查看 Unicode 字符属性：http://www.regular-expressions.info/unicode.html#prop。我认为您正在寻找的可能是
\p{L}
将匹配任何字母或表意文字。您可能还想包含带有标记的字母，所以您可以这样做
\p{L}\p{M}*
无论如何，所有不同类型的字符属性都在第一个链接中详细说明。
编辑：您可能还想查看此 Stack Overflow 答案，讨论 \w 是否匹配 unicode 字符。他们建议您也可以使用 \p{Word} 或 \p{Alnum}：Does \w match all alphanumeric characters defined in the Unicode standard?
【讨论】：
\P 匹配具有特定属性的字符not（因此\P{L} 匹配任何非字母字符）。
根据您使用的语言，正则表达式引擎可能支持也可能不支持 Unicode。如果是，它可能知道也可能不知道\p{} 属性标记。如果是，您的答案在Unicode Characters and Properties in Jan Goyvaerts' regex tutorial。
如果支持，您可以使用\p{Latin} 来检测所有（当然不是）来自使用任何 Unicode 拉丁块的语言的所有内容。
【讨论】：