如何在正则表达式中包含重音词

Question

我有一个 utf-8 文本，文本中的单词大写：

La cinta, que hoy se estrena en nuestro país, competirá contra Hors la
Loi, de Argelia, Dogtooth, de Grecia, Incendies, de Canadá, Life above
all , de Sudáfrica, y con la ganadora del Globo de Oro, In A Better
World, de Dinamarca.

期望的输出是将所有以大写字母开头的单词替换为占位符（即 #NE#），第一个单词除外。所以所需的输出看起来是这样的：

La cinta, que hoy se estrena en nuestro país, competirá contra  #NE#
la  #NE# , de #NE# ,  #NE# , de  #NE# ,  #NE# , de  #NE#,  #NE# above
all , de #NE# , y con la ganadora del  #NE# de  #NE# ,  #NE# A #NE# #NE# , de  #NE# .

我试过使用正则表达式如下：

>>> import re
>>> def blind_CAPS_without_first_word(text):
...     first_word, _, the_rest = text.partition(' ')
...     blinded = re.sub('(?:[A-Z][\w]+\s*)', ' #NE# ', the_rest)
...     return " ".join([first_word, blinded])
... 
>>> text = "La cinta, que hoy se estrena en nuestro país, competirá contra Hors la Loi, de Argelia, Dogtooth, de Grecia, Incendies, de Canadá, Life above all , de Sudáfrica, y con la ganadora del Globo de Oro, In A Better World, de Dinamarca."
>>> blind_CAPS_without_first_word(text)

[输出]:

La cinta, que hoy se estrena en nuestro país, competirá contra #NE# la #NE# , de #NE# , #NE# , de #NE# , #NE# , de #NE# á, #NE# above all , de #NE# áfrica, y con la ganadora del #NE# de #NE# , #NE# A #NE# #NE# , de #NE# .

但是正则表达式在使用 \w 时没有考虑重音字符，例如Canadá -> #NE# á; Sudáfrica -> #NE# áfrica。 我该如何解决这个问题？如何在我的正则表达式中包含重音词？ 它需要是 Canadá -> #NE#； Sudáfrica -> #NE#。

我想如果忽略像 A 这样的单字符单词仍然是 A 也没关系。除非有解决办法。

Answer 1

因为 \w+ 或 [\w]+ 不会匹配重音字符。所以它无法匹配这些词。

您可以使用 \S+ 而不是 \w+

re.sub(r'[A-Z]\S+\s*', ' #NE# ', the_rest)

或

如果您只想匹配任何语言的单词字符，请使用正则表达式模块。

regex.sub(r'[A-Z]\p{L}+\s*', ' #NE# ', the_rest)

Answer 2

您是否有机会使用 unicode 表示法来捕获运行ges 个字符？示例：[\xC0-\xE1] 或什么？我在 Pythex 之前运行它似乎并不介意...你需要找到自己的运行ge，但这是一个开始 :)

希望对您有所帮助。

如何在正则表达式中包含重音词

How to Include accented words in regex

python

regex

capitalization