您的前两个句子相互矛盾。“在\w
但不在\d
”中包括下划线。我假设从您的第三句话开始,您不想下划线。
使用信封背面的维恩图会有所帮助。让我们看看我们不想要的:
(1)不匹配的字符\w
(即,不需要字母,数字或下划线的任何内容)=> \W
(2)数字=> \d
(3)下划线=>_
所以我们不需要的是角色类中的任何东西[\W\d_]
,因此我们想要的是角色类中的任何东西[^\W\d_]
这是一个简单的示例(Python 2.6)。
>>> import re
>>> rx = re.compile("[^\W\d_]+", re.UNICODE)
>>> rx.findall(u"abc_def,k9")
[u'abc', u'def', u'k']
进一步的探索揭示了这种方法的一些怪癖:
>>> import unicodedata as ucd
>>> allsorts =u"\u0473\u0660\u06c9\u24e8\u4e0a\u3020\u3021"
>>> for x in allsorts:
... print repr(x), ucd.category(x), ucd.name(x)
...
u'\u0473' Ll CYRILLIC SMALL LETTER FITA
u'\u0660' Nd ARABIC-INDIC DIGIT ZERO
u'\u06c9' Lo ARABIC LETTER KIRGHIZ YU
u'\u24e8' So CIRCLED LATIN SMALL LETTER Y
u'\u4e0a' Lo CJK UNIFIED IDEOGRAPH-4E0A
u'\u3020' So POSTAL MARK FACE
u'\u3021' Nl HANGZHOU NUMERAL ONE
>>> rx.findall(allsorts)
[u'\u0473', u'\u06c9', u'\u4e0a', u'\u3021']
U + 3021(杭州数字ONE)被视为数字(因此与\ w匹配),但是Python似乎将“数字”解释为“十进制数字”(类别Nd),因此与\ d不匹配
U + 2438(圆形拉丁文小写字母Y)与\ w不匹配
所有CJK表意文字均归类为“字母”,因此与\ w
无论上述3点中的任何一个是否值得关注,该方法都是您最好脱离当前发布的re模块的最佳方法。将来会使用\ p {letter}之类的语法。