删除标点符号，但不是全部

Question

我正在努力从可以是相位等的文本变量中删除标点符号。

示例：Hola，我是 llamo Juan！ Hoy es día camión。

我使用的代码是：

REGEXP_REPLACE(text, '[^0-9A-Za-z ]+', '')

这通常效果很好。问题是在某些语言中，我们在某些单词上有标点符号。示例：día camión。运行上面的代码时，这些词的输出是“da”“camin”。它会删除与标点符号相关的字母。

有没有办法避免这种情况发生？

谢谢！

Answer 1

有两种选择：

• 使用众多 Unicode 属性之一。例如，\p{L} 匹配来自任何语言的任何 Unicode 字母 - 在这种情况下，您可以使其与 [^0-9p\{L} ]+ 一起使用。有许多不同的 Unicode 属性，以及 Regex 风格之间的差异，所以我建议调查 this link 以供参考。
• 如果上述解决方案不适合您，请列出您想要匹配的特定 Unicode 代码。例如，í 可以与 \u00ED 匹配，ó 可以与 \u00F3 匹配，因此对于本例， [^\w\u00ED\u00F3 ]+ 可以。那里有许多 Unicode 引用，例如您可以使用的 this one。

除此之外，\w 与 [0-9a-z_A-Z] 的含义相同，\W 返回所有与 \w 不匹配的字符，因此您可以替换表达式的那部分，即 [\W] + 而不是你最初写的。 \W 并不能缓解 Unicode 问题 - 这是一个可读性和简单性的问题。