仅保留字符串中的字母字符（多语言）

Question

在stackoverflow上有很多关于如何从字符串中仅保留字母字符的答案，最常见的被接受的是著名的正则表达式'[^a-zA-Z]'。但这个答案是完全错误的，因为它假定所有人都只写英文...我想我可以对所有这些答案进行投票否定，但我最终认为重新提问会更有建设性，因为我找不到答案。

在Python中是否有一种易于（或不易于）的方法，可以仅保留字符串中的字母字符，并适用于所有语言？我想可能有一个类似于javascript中的xregexp的库...我所说的所有语言包括英语，但也包括法语、俄语、汉语、希腊语等等。

- Laurent

---

我认为包含整个Unicode并排除非字母字符可能会更容易。 - Moon Cheesez

@MoonCheesez 我也是这么想的。在 shell 脚本中有一种简单的方法可以做到这一点，但我现在想不出一个 Pythonic 的方法。 - Sam Chats

Answer 1

[^\W\d_]

使用Python3或Python2中的re.UNICODE标志，您可以使用[^\W\d_]。

\W：如果设置了UNICODE，则匹配除[0-9_]之外的任何内容，以及在Unicode字符属性数据库中未分类为字母数字的字符。

因此，[^\W\d_]表示除非不是字母数字字符、不是数字或下划线，否则可以匹配任何字符。换句话说，它匹配任何字母字符。 :)

>>> import re
>>> re.findall("[^\W\d_]", "jüste Ä tösté 1234 ßÜ א д", re.UNICODE)
['j', 'ü', 's', 't', 'e', 'Ä', 't', 'ö', 's', 't', 'é', 'ß', 'Ü', 'א', 'д']

先删除数字，再查找"\w"

为避免使用这种复杂的逻辑，您也可以首先删除数字和下划线，然后查找字母数字字符：

>>> without_digit = re.sub("[\d_]", "", "jüste Ä tösté 1234 ßÜ א д", re.UNICODE) 
>>> re.findall("\w", without_digit, re.UNICODE)
['j', 'ü', 's', 't', 'e', 'Ä', 't', 'ö', 's', 't', 'é', 'ß', 'Ü', 'א', 'д']

正则表达式模块

看起来regex模块可以帮忙，因为它理解\p{L}或[\w--\d_]。

该正则表达式实现与标准的're'模块向后兼容，但提供了额外的功能。

>>> import regex as re
>>> re.findall("\p{L}", "jüste Ä tösté 1234 ßÜ א д", re.UNICODE)
['j', 'ü', 's', 't', 'e', 'Ä', 't', 'ö', 's', 't', 'é', 'ß', 'Ü', 'א', 'д']

（使用Anaconda Python 3.6进行测试）

- Eric Duminil

---

我尝试了regex模块和\p{L}，它似乎只保留没有重音的拉丁字母...也许我错过了什么地方，但根据文档示例应该可以工作：[\p{L}--QW] # 包含除‘Q’和‘W’之外的所有字母的集合。 - Laurent

看起来你的第一个和第二个例子都完美运行了 :) - Laurent

我使用的是2.7.9版本。尝试过3版本，但在尝试导入通过pip安装的regex时出现了问题。由于我不是Python专家，也不想花太多时间尝试导入regex，所以我选择了2.7.9版本进行测试。 - Laurent

我标记为答案，但对于正则表达式模块的解决方案仍有一些疑虑，因为根据我尝试的情况，它只保留了没有重音的字母（在 Python 2.7.9 中测试）。 - Laurent

我对Python还比较新，所以需要时间来测试这个。 我尝试了这段代码，但输出只有拉丁字母。# -*- coding: UTF-8 -*- re.UNICODE print (re.findall("[\p{L}]","jüste Ä tösté 1234 ßÜ א д")) - Laurent