Behalten Sie nur alphabetische Zeichen (mehrsprachig) in einer Zeichenkette bei

Question

Auf stackoverflow gibt es viele Antworten darüber, wie man nur alphabetische Zeichen aus einer Zeichenkette behält, am bekanntesten ist die berühmte Regex '[^a-zA-Z]'. Aber diese Antwort ist völlig falsch, weil sie annimmt, dass jeder nur Englisch schreibt ... Ich dachte, ich könnte alle diese Antworten abstimmen, aber ich dachte schließlich, es wäre konstruktiver, die Frage noch einmal zu stellen, weil ich die Antwort nicht finden kann.

Gibt es einen einfachen (oder nicht ...) Weg in Python, nur alphabetische Zeichen aus einer Zeichenfolge zu behalten, die für alle Sprachen funktioniert? Ich denke, vielleicht über eine Bibliothek, die wie xregexp in Javascript, ... Von allen Sprachen tun konnte ich mein Englisch, aber auch Französisch, Russisch, Chinesisch, greec ... etc

Answer 1

[^ \ W \ d_]

Mit Python3 oder dem re.UNICODE Flag in Python2 könnten Sie [^\W\d_] verwenden.

\ W: Wenn UNICODE gesetzt ist, wird dies nichts gefunden außer [0-9_] zuzüglich Zeichen als nicht alphanumerische im Unicode-Zeichen Eigenschaften Datenbank klassifiziert.

Also [^\W\d_] ist alles, was nicht alphanumerisch oder keine Ziffer oder kein Unterstrich ist. Mit anderen Worten, es ist ein alphabetisches Zeichen. :)

>>> 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'] 

Remove Ziffern zuerst, dann suchen Sie nach "\ w"

diese gewundenen Logik zu vermeiden, könnten Sie auch Ziffern entfernen und unterstreicht zuerst, und dann für alphanumerische Zeichen:

>>> 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'] 

regex Modul

es scheint, dass regex Modul helfen könnte, da es \p{L} oderversteht 10.

Diese Regex-Implementierung ist abwärtskompatibel mit dem Standardmodul , bietet jedoch zusätzliche Funktionen.

>>> 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'] 

(Getestet mit Anaconda Python 3.6)