re中的俄语符号(Python)
我从一个文件中获得了一个数据：
words = re.findall(r'[\w]+',self._from.encode('utf8'),re.U)如果文件包含：
嗨，你好吗？
那么结果将是：
'Hi'，'how'，'are'，'you‘
但如果文件包含俄语(即西里尔符号)，则：
Привет，какдела？
在这种情况下，结果是：
'\xd0'，'\xd1'，'\xd0'，'\xd0\xb2\xd0\xb5\xd1'，'\xd0\xba\xd0'，'\xd0\xba'，'\xd0\xb5\xd0'，'\xd0‘
为什么？见鬼？我已经添加了：
sys.setdefaultencoding('utf-8')我使用的是python2.7和linux ubuntu。
答案：
words = re.findall(r'[\w]+',self._from.decode('utf8'),re.U)
print u" ".join(words)回答 6
Stack Overflow用户
发布于 2013-03-16 18:59:26
要使用\w+匹配字母数字unicode字符，应该将unicode模式和unicode文本都传递给re.findall。
Python2中的
- ：
假设您正在从文件中读取字节(而不是文本)，则应对这些字节进行解码以获得unicode：
uni =‘Привет，какдела？’.decode(‘utf-8’)
ur'(?u)\w+'是一个raw unicode literal。尽管在这里不是必需的，但是对正则表达式模式使用原始的unicode/字符串文字通常是一种很好的实践--它允许您避免在某些字符(如\s )之前使用双反斜杠。
正则表达式模式ur'(?u)\w+' bakes-in the Unicode flag，它告诉re.findall使\w依赖于Unicode字符属性数据库。
导入re uni =‘Привет，какдела？’.decode(‘utf-8’)打印(re.findall(ur‘(？u)\w+’，uni))
生成一个包含3个unicode“单词”的列表：
u'\u041f\u0440\u0438\u0432\u0435\u0442'，u'\u043a\u0430\u043a'，u'\u0434\u0435\u043b\u0430'
- In Python3：
除了what were unicodes in Python2 are now strs in Python3之外，一般原理是相同的，并且不再尝试在两者之间进行自动转换。因此，再次假设您正在从文件中读取字节(而不是文本)，您应该对字节进行解码以获得str，并使用str正则表达式模式：
导入re uni = b'\xd0\x9f\xd1\x80\xd0\xb8\xd0\xb2\xd0\xb5\xd1\x82，\xd0\xba\xd0\xb0\xd0\xba \xd0\xb4\xd0\xb5\xd0\xbb\xd0\xb0?'.decode('utf')打印(re.findall(r‘(？u)\w+’，uni))
收益率
的“Привет‘，’как‘，’дела”
Stack Overflow用户
发布于 2018-07-15 04:55:59
我的解决方案是：
txt = re.findall(r'[А-я]+', data)А-я-俄语字母表字母
Stack Overflow用户
发布于 2013-03-16 18:59:53
如果省略您得到的编码部分，您将获取一个已经是unicode的字符串，并将其编码为unicode：
line = u"Привет, как дела?"
words = re.findall(r'[\w]+',line ,re.U)
# words = [u'\u041f\u0440\u0438\u0432\u0435\u0442', u'\u043a\u0430\u043a', u'\u0434\u0435\u043b\u0430']
print words[0]
# prints Приветhttps://stackoverflow.com/questions/15448274
复制相似问题