python用正则表达式查找替换字符串中的非拉丁词

【问题标题】：python find-replace non-latin word in string with regexpython用正则表达式查找替换字符串中的非拉丁词
【发布时间】：2012-12-06 20:04:28
【问题描述】：

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的。）

它根本不起作用！

是否可以用正则表达式查找-替换非拉丁文本中的非拉丁词（整个词）？怎么样？

编辑：

如果你想测试这些字符串：

>>> 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'
>>>

【问题讨论】：

你介意添加 u_word 和 new_word 以便能够测试
第二个\b 必须是原始字符串...否则将解释为\x08

标签： python regex

【解决方案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 是一个单词边界。如果没有re.UNICODE 标志，“单词”仅包含来自集合[a-zA-Z0-9_] 的字符，因此αβ 不会被视为“单词”。有关详细信息，请参阅 the re documentation（特别是 \b、\w 和 re.UNICODE）。

仅供参考：

如果 new_word 已经是一个 unicode 字符串（如您的示例），unicode(new_word) 是多余的，it returns new_word unmodified。
在 Python 3.x 中，unicode 不再是特殊情况。您的代码在 Python 3.x 中可以正常工作（减去 unicode()，因为不再需要它，所以已将其删除）。

【讨论】：