如何解释Python中正则表达式的重音字符?

请尝试以下操作:

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

Regex101 Demo

编辑 查看下面Martijn Pieters的有用评论。

我知道这个问题有点过时,但您也可以考虑在原始正则表达式中添加重音字符(索引192)和(索引255)的范围。

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

哪个会回来 ['yogenfrüz']

希望这能帮助到其他人。

您可能还想使用

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

如何将所有这些转义字符转换为它们各自的字符,就像如果有unicode一样,如何将其转换为标准的a? 假设您已经将unicode加载到一个名为my_unicode的变量中。。。标准化为a就是这么简单。。。

导入unicodedata output=unicodedata.normalize('NFD',my_unicode).encode('ascii','ignore') 显式示例。。。

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

检查这个答案,它对我帮助很大: How to convert unicode accented characters to pure ascii without accents?

以下是根据Martijn Pieters对答案的评论和Martijn Peters给出的另一个答案对Ibrahim Najjar的原始答案的更新 https://stackoverflow.com/a/16467505/5302861 :

import re
import unicodedata

s = "#ábá123"
n = unicodedata.normalize('NFC', s)

print(n)
c = ''.join(re.findall(r'#\w+', n, re.UNICODE))
print(s, len(s), c, len(c))

在所有其他答案的基础上:

关键问题是re模块与其他正则表达式引擎在很大程度上不同。理论上,Unicode对 \w 元字符可以满足问题的要求,但re模块不实现Unicode的 \周 元字符。

简单的解决方案是交换正则表达式引擎,使用更兼容的解决方案。最简单的方法是安装regex模块并使用它。然后,其他一些答案给出的代码将根据问题的需要工作。

import regex as re
# import unicodedata as ud
import unicodedataplus as ud
hashtags = re.findall(r'#(\w+)', ud.normalize("NFC",str1))

或者,如果你只关注拉丁文字,包括非空格标记(即组合变音符号):

import regex as re
# import unicodedata as ud
import unicodedataplus as ud
hashtags = re.findall(r'#([\p{Latin}\p{Mn}]+)', ud.normalize("NFC",str1))

附言:我使用了unicodedataplus,它是unicodedata的一个替代品。它有额外的方法,并且它与Unicode版本保持同步。随着unicodedata模块的更新,Unicode版本需要更新Python。