如何使用正则表达式从文本中去除除ä、ö和ü之外的所有非单词字符。

Question

我有一个文件，想要从中删除所有的非单词字符，但是德语语言中的变音元音字母ä、ö和ü需要保留。是否可以在word.gsub!(/\W/, '')中添加例外？

例如：

text = "übung bzw. äffchen"
text.gsub!(/\W/, '').

现在它会返回"bungbzwffchen"。它删除了非单词字符，但也删除了突变的元音字母ü和ä，而我想保留它们。

- Ashman

---

请您提供一个检查用的例子吗？例如：“我期望 regex("abc") 返回 b”。谢谢。 - achempion

text = "übung bzw. äffchen" text.gsub!(/\W/, '') 现在它会返回“bungbzwffchen”。它删除了非单词字符，但也删除了我想保留的变异元音ü和ä。 - Ashman

好的，我会尽力以最简洁明了的方式进行翻译，确保不改变原文的意思。以下是需要翻译的内容：@AshmaN3D Edit your question instead of adding comments so people interested in answering the question don't have to dig through the comment section - Viktor

不要忘记 ẞ / ß - Kimmo Lehto

Answer 1

您可以使用某种负向回溯的方式来定义一组排除对象，但我认为最简单的方法就是使用\w而不是\W并否定整个组：

word.gsub!(/[^\wÄäÖöÜü]/, '') 

您也可以使用word.gsub(/[^\p{Letter}]/, '')，这应该可以摆脱任何未列为Unicode中的“字母”的字符。

您在问题中提到了德语元音字母，我认为在这里值得注意的是，德语字母表还包括长s：ẞ / ß。

更新：

回答您最初的问题，要定义一个排除列表，您可以使用“负向先行断言”(?<!pat)。

word.gsub(/\W(?<![ÄäÖöÅåẞß])/, '')

- Kimmo Lehto

---

好的回答。也许值得澄清的是，\W 在本身上就是 [^\w]。 - 3limin4t0r

\p{...} 的文档可以在这里找到：https://ruby-doc.org/core-2.6.5/doc/regexp_rdoc.html#label-Character+Properties。 - 3limin4t0r

那么\W和[^\w]是一样的吗？但为什么[^\w]可以工作而\W不行呢？ - Ashman

“^” 只在字符类 [^…] 中起作用，但您可以将 \w 放入字符类中以包括所有单词字符。如果您只想要小写字母，则可以使用 [a-zäöü]。 - Kimmo Lehto

\W also just defines a character class and is a shorthand for something like [ ,.-()=!"#] - Kimmo Lehto

Answer 2

你可以在字符类中使用 && 运算符：

text = "übung bzw. äffchen  ÄÖÜ"

text.gsub(/[\W&&[^äÄöÖüÜ]]/, '')
  #=> "übungbzwäffchenÄÖÜ"

正则表达式的意思是“匹配一个字符，该字符属于所有非单词字符与不在字符串"äÄöÖüÜ"中的所有字符的交集所形成的字符集合”。请参见Regexp（搜索"&& operator"）。

- Cary Swoveland