python - python用正则表达式查找替换字符串中的非拉丁词

Question

我正在尝试这样做：

val = re.sub(r'\b' + u_word +'\b', unicode(new_word), u_text)

（所有字符串都是非拉丁语。）

它根本不起作用！

是否可以使用正则表达式在非拉丁文本中查找替换非拉丁词（整个词）？如何？

编辑：

如果你想测试试试这些字符串：

>>> u_word = u'αβ'
>>> u_text = u'αβγ αβ αβγδ δαβ'
>>> new_word = u'χχ'
>>> val = re.sub(r'\b' + u_word +r'\b', unicode(new_word), u_text)
>>> val
u'\u03b1\u03b2\u03b3 \u03b1\u03b2 \u03b1\u03b2\u03b3\u03b4 \u03b4\u03b1\u03b2'
>>> u_text
u'\u03b1\u03b2\u03b3 \u03b1\u03b2 \u03b1\u03b2\u03b3\u03b4 \u03b4\u03b1\u03b2'
>>> 

Answer 1

您需要将re.UNICODE标志传递给sub，如下所示：

val = re.sub(r'\b' + u_word + r'\b', unicode(new_word), u_text, flags=re.UNICODE)

\b是单词边界。如果没有re.UNICODE标志，“单词”仅包含 set 中的字符[a-zA-Z0-9_]，因此αβ不会被视为“单词”。有关详细信息，请参阅文档re（特别\b是 、\w和re.UNICODE）。

供参考：

• 如果new_word已经是一个 unicode 字符串（如您的示例中），unicode(new_word)是多余的，它返回new_wordunmodified。
• 在 Python 3.x 中，unicode 不再是特例。您的代码将在 Python 3.x 中按原样工作（减去unicode()因为不再需要而被删除）。