Python-错误的编码，regexp

我有一个波兰语文本，我想过滤掉非波兰语字母，但问题是波兰语字母消失了

# coding: utf-8
import re

_NOT_LETTERS = re.compile('[^a-ząćęłóńśżź]+')

text = u'dzień dobry i wszystkiego najlepszego życzę'

data = _NOT_LETTERS.sub(' ', text)

print data

结果是

 dzie dobry i wszystkiego najlepszego ycz 

而非预期

dzień dobry i wszystkiego najlepszego życzę

---

我怎样才能解决这个问题？我从第三方库接收变量文本，重音字母不在ascii范围内，在UTF-8编码时需要几个字节，例如字符：

U+0144  ń       LATIN SMALL LETTER N WITH ACUTE

按两个字节编码：

C584

当您写入一个字符串而不指定它是一个包含多字节字符的字符串时，每个单字节都被视为一个字符（字符

\xc5

和字符

\x84

，但不是无法识别的字符

ń

（U+0144））

在Python2.7中，需要指定字符串是unicode字符串，否则所有多字节字符都被视为单字节。您可以通过以下方式自己测试：

>>> text = u'dzień'
>>> [c for c in text]
[u'd', u'z', u'i', u'e', u'\u0144']

>>> text = 'dzień'
>>> [c for c in text]
['d', 'z', 'i', 'e', '\xc5', '\x84']

找不到字符，因为您的模式与主题字符串不同，不在unicode字符串中。你需要写：

re.compile(u'[^a-ząćęłóńśżź]+')

---

模式也必须使用unicode字符串：

re.compile（u'[^a-ząćęłóśżź]+'）

否则多字节字符被视为分离字节（即：一个字节，一个字符）。很好，它可以工作。如果你想加一个答案，我会接受的