7

在 Python 3 中，我希望能够以re.sub()“不区分重音”的方式使用，就像我们可以使用re.I标志进行不区分大小写的替换一样。

可能是一个re.IGNOREACCENTS标志：

original_text = "¿It's 80°C, I'm drinking a café in a cafe with Chloë。"
accent_regex = r'a café'
re.sub(accent_regex, 'X', original_text, flags=re.IGNOREACCENTS)

这将导致“¿It's 80°C, I'm Drink X in X with Chloë。”（注意“Chloë”上仍有重音）而不是“¿It's 80°C, I'm Drink X in a与 Chloë 的咖啡馆。”在真正的蟒蛇中。

我认为这样的标志不存在。那么这样做的最佳选择是什么？在两者上使用和re.finditer然后通过拆分字符串替换？或者通过重音变体修改 中的所有字符，例如：?unidecodeoriginal_textaccent_regexaccent_regexr'[cç][aàâ]f[éèêë]'

4

3 回答 3

10

unidecode经常提到在 Python 中删除重音符号，但它的作用还不止于此：它转换'°'为'deg'，这可能不是所需的输出。

unicodedata似乎有足够的功能来删除口音。

任何图案

此方法适用于任何模式和任何文本。

您可以暂时从文本和正则表达式模式中删除重音符号。来自re.finditer()（开始和结束索引）的匹配信息可用于修改原始的重音文本。

请注意，必须颠倒匹配项，以免修改以下索引。

import re
import unicodedata

original_text = "I'm drinking a 80° café in a cafe with Chloë, François Déporte and Francois Deporte."

accented_pattern = r'a café|François Déporte'

def remove_accents(s):
    return ''.join((c for c in unicodedata.normalize('NFD', s) if unicodedata.category(c) != 'Mn'))

print(remove_accents('äöüßéèiìììíàáç'))
# aoußeeiiiiiaac

pattern = re.compile(remove_accents(accented_pattern))

modified_text = original_text
matches = list(re.finditer(pattern, remove_accents(original_text)))

for match in matches[::-1]:
    modified_text = modified_text[:match.start()] + 'X' + modified_text[match.end():]

print(modified_text)
# I'm drinking a 80° café in X with Chloë, X and X.

如果模式是一个词或一组词

你可以 ：

  • 从你的模式词中删除重音并将它们保存在一个集合中以便快速查找
  • 查找文本中的每个单词\w+
  • 从单词中删除重音：
    • 如果匹配，则替换为X
    • 如果不匹配，请保持单词不变
import re
from unidecode import unidecode

original_text = "I'm drinking a café in a cafe with Chloë."

def remove_accents(string):
    return unidecode(string)

accented_words = ['café', 'français']

words_to_remove = set(remove_accents(word) for word in accented_words)

def remove_words(matchobj):
    word = matchobj.group(0)
    if remove_accents(word) in words_to_remove:
        return 'X'
    else:
        return word

print(re.sub('\w+', remove_words, original_text))
# I'm drinking a X in a X with Chloë.
于 2017-04-26T13:19:06.820 回答
0

您可以使用Unidecode：

$ pip install unidecode

在您的程序中：

from unidecode import unidecode

original_text = "I'm drinking a café in a cafe."
unidecoded_text = unidecode(original_text)
regex = r'cafe'
re.sub(regex, 'X', unidecoded_text)
于 2017-04-26T12:47:28.660 回答
0

我需要保留文本上的重音，而不是删除重音，然后我使用了以下代码：

accents_dic = {
'A': '(A|Á|À|Â|Ã)',
'E': '(E|É|È)',
'I': '(I|Í|Ï)',
'O': '(O|Ó|Ô|Õ|Ö)',
'U': '(U|Ú|Ü)',
'C': '(C|Ç)'
}
def define_regex_name(name):
    for i, j in accents_dic.items():
        name = re.sub(i,j,name)
    return re.compile(name, re.IGNORECASE)
于 2021-09-23T18:40:24.507 回答