输入:s = "test1 this is a sample subscript o₁"
我试过:re.compile(r'\b[^\W\d_]{2,}\b').findall(s)
它找到超过 2 个字符且不包含数字的单词
'this', 'is', 'sample', 'subscript', 'o₁',
但还是有下标号。
有没有办法去除其中包含下标的单词？
期望输出:'this', 'is', 'sample', 'subscript'
最佳答案
重点是 Python 3 正则表达式中的 Unicode 感知 \d 不匹配 No Unicode category .
如果您只需要使用 ASCII 字母单词，请使用
r'\b[a-zA-Z]{2,}\b'
或者，使用 re.A/re.ASCII 标记使模式不支持 Unicode:
re.compile(r'\b[^\W\d_]{2,}\b', re.A)
参见 this Python 3 demo .
如果您需要使用任何 Unicode 字母，您可以通过将所有 No 字符添加到正则表达式否定字符类(这可能使它成为一个乏味的解决方案)来修复它，或者添加一个程序找到匹配项后检查匹配项是否包含 No 类别中的任何字符。
参见 this Python 3 demo :
import re, sys, unicodedata
s = "test1 this is a sample subscript o₁"
No = [chr(i) for i in range(sys.maxunicode) if unicodedata.category(chr(i)) == 'No']
print([x for x in re.findall(r'\b[^\W\d_]{2,}\b', s) if not any(y in x for y in No)])
# => ['this', 'is', 'sample', 'subscript']
确保您使用的是最新的 Python 版本以支持最新的 Unicode 标准，或者依赖 PyPi regex module :
p = regex.compile(r"\b\p{L}{2,}\b")
print(p.findall(s))
关于python - 如何查找带下标的单词？，我们在Stack Overflow上找到一个类似的问题： https://stackoverflow.com/questions/56108969/