Python 包含和不包含字符的正则表达式

我有下面的正则表达式，它几乎可以正常工作

WORD_REGEXP = re.compile(r"[a-zA-Zá-úÁ-Úñ]+")

它包括带或不带重音的大写字母和小写字母以及西班牙语字母«ñ»。不幸的是，它还包括（我不知道为什么）西班牙语中也使用的字符，如«或«»，我也想删除这些字符

在像《代码》这样的台词中，España，olé我想通过正则表达式提取

España

和

olé

如何在正则表达式中排除这两个字符（«»，«»）

---

根据斯特里比什的说法，似乎正则表达式还可以。所以问题一定是另外一个。我包括完整的Python代码：

import re

linea = "¡Arriba Éspáña, ¿olé!"

WORD_REGEXP = re.compile(r"([a-zA-Zá-úÁ-Úñ]+)", re.UNICODE)

palabras = WORD_REGEXP.findall(linea)

for pal in palabras:
    pal = unicode(pal,'latin1').encode('latin1', 'replace')
    print pal

结果如下：

¡Arriba
Éspáña
¿olé

---

最好使用代码点。这些字符的代码点为

¡ - \x{A1}
¿ - \x{BF}  

这似乎超出了你的口音字符范围

 [a-zA-Z\x{E1}-\x{FA}\x{C1}-\x{DA}\x{F1}]+ 

---

根据文档，使用特殊顺序

'\w'

：

如果设置了UNICODE，则这将匹配字符[0-9_u1;]以及UNICODE字符属性数据库中分类为字母数字的任何字符

但是请注意，您的字符串必须是unicode字符串：

import re

linea = u"¡Arriba Éspáña, ¿olé!"

regex = re.compile(r"\w+", re.UNICODE)

regex.findall(linea)
# [u'Arriba', u'\xc9sp\xe1\xf1a', u'ol\xe9']

注意：错误的原因是您的正则表达式被解释为UTF-8，例如：

您的模式

r'（[a-zA-Zá-ú-Úñ]+）

未定义为unicode字符串，因此它由文本编辑器编码为UTF-8，python将其读取为

（[a-zA-Z\xc3\xa1-\xc3\xba\xc3\x81-\xc3\x9a\xc3\xb1]+）

，请注意以

\xc3

开头的模式（即unicode开始字节）

您可以通过打印

WORD\u REGEXP

的

repr

来确认这一点。因此，

re

模块使用的实际模式是：

patt = r"([a-zA-Zá-úÁ-Úñ]+)"
print patt.decode('latin1')

或：

简化它，实际上就是在使用模式

a-zA-Z\x81-\xc3

最后一个范围，涵盖了很多字符

快速显示正则表达式与那些标点符号不匹配。你能提供一把小提琴来重编这个问题吗？你在找吗？这有一个字符类：

\w

。这对我很有用：

re.search（r“\w+”，“España，olé！”）

。

a-zA-Z\x81-\xc3