Wie Konto für die Akzent-Zeichen für regulären Ausdruck in Python?

Derzeit nutze ich wieder.findall zu finden und zu isolieren, Wörter nach dem ' # ' - Zeichen für die hash-tags in einem string:

hashtags = re.findall(r'#([A-Za-z0-9_]+)', str1)

Er sucht str1 und sucht nach allen den hashtags. Dies funktioniert aber nicht Konto für akzentuierte Zeichen wie diese zum Beispiel: áéíóúñü¿.

Wenn eines dieser Zeichen in str1, wird es sparen Sie den hashtag bis die Buchstaben vor. So zum Beispiel #yogenfrüz wäre #yogenfr.

Ich muss in der Lage sein Konto für alle akzentuierte Buchstaben, die im Bereich von Deutsch, Niederländisch, Französisch und Spanisch, so dass ich sparen können hashtags wie #yogenfrüz

Wie kann ich über das tun dies

  • Verwenden re.UNICODE Flagge.
  • das UNICODE-flag wird nicht machen Sie den Bereich, die passen nicht-ASCII-Zeichen, keine. Wenn Sie sagen, regex übereinstimmen a-z ist, nimmt es die wörtliche Angebot, und nicht die menschliche Auslegung, die a und á irgendwie sind die gleiche Sache.
  • also, was wird es tun? 😉
  • siehe die Antworten unten.
InformationsquelleAutor noahandthewhale | 2013-09-06
  1. 24

    Versuchen Sie Folgendes:

    hashtags = re.findall(r'#(\w+)', str1, re.UNICODE)

    Regex101 Demo

    BEARBEITEN
    Prüfen Sie die nützlichen Kommentar unten von Martijn Pieters.

    • Kleine Einschränkung: \w übereinstimmen, werden nicht kombiniert codepoints, also a und U+0301 COMBINING ACUTE ACCENT nicht abgestimmt werden, auch wenn das Drucke als á. Möchten Sie vielleicht, um die Normalisierung zu NFC, ersten.
    • Vielen Dank für das teilen, immer etwas extra zu lernen.
    • können Sie implementieren der Korrektur erwähnt von Martijn Pieters zu Ihrer Lösung? Danke.
    • Es sei denn, Sie kommen wirklich über die situation, die er beschreibt, dann ist meine Lösung noch funktioniert mit Umlauten. Ich bin ehrlich gesagt, nicht Unicode-Experte und kenne nicht die Einzelheiten genau, aber wenn Sie wollen zu normalisieren, wie er vorschlägt, dann überprüfen Sie die anderen Antwort auf diese Frage. Hoffe, das hilft
    • Ich sehe. Danke @IbrahimNajjar
    • Interessanterweise, ich denke, bei mir tritt genau das problem @MartijnPieters beschrieben, außer mit é und e. Ich benutzte die Lösung von Berk unten, und dann decodiert bytes-Objekt zurück in einen string. Vielen Dank an alle!

    InformationsquelleAutor Ibrahim Najjar
  2. 4

    Können Sie auch verwenden möchten 

    import unicodedata
output = unicodedata.normalize('NFD', my_unicode).encode('ascii', 'ignore')

    wie konvertiere ich alle diese escape-Zeichen in Ihre entsprechenden Zeichen wie wenn es eine unicode-à,, wie wandle ich das in einen standard ein?
    Angenommen, Sie haben geladen, Ihr unicode in eine variable namens my_unicode... die Normalisierung à in a ist diese einfache...

    import unicodedata
    Ausgabe = unicodedata.normalisieren('NFD', my_unicode).encode('ascii', 'ignore')
    Explizite Beispiel...

    myfoo = u'àà'
myfoo
u'\xe0\xe0'
unicodedata.normalize('NFD', myfoo).encode('ascii', 'ignore')
'aa'

    überprüfen Sie diese Antwort es hat mir sehr geholfen: Wie konvertieren von unicode-Zeichen mit Akzent, um reinen ascii-Text ohne Akzente?

    • Super Antwort, berk! jemand wird auf jeden Fall diese nützlich finden!
    InformationsquelleAutor Berk
Schreibe einen Kommentar