匹配阿拉伯字母的正则表达式

Question

在Python中使用正则表达式时，很容易使用括号来表示一系列字符

a-z

，但这似乎不适用于其他语言，例如阿拉伯语：

import re
pattern = '[ي-ا]'
p = re.compile(pattern)

这会导致一个很长的错误报告，以

结尾

raise error("bad character range")
sre_constants.error: bad character range

如何解决这个问题？

Answer 1

由于阿拉伯字符是从右向左渲染的，因此下面的 Correct 字符串（“from

ا

to

ي

”）会向后渲染（如果要确认，请尝试选择该字符串）：

'[ا-ي]'

控制台输出：

>>> re.compile('[ا-ي]')
<_sre.SRE_Pattern object at 0x6001f0a80>

>>> re.compile('[ا-ي]', re.DEBUG)
in
  range (1575, 1610)
<_sre.SRE_Pattern object at 0x6001f0440>

所以你的模式

'[ي-ا]'

实际上是“从

ي

到

ا

”，这是一个无效范围，因为

ا

的代码点小于

ي

的代码点。

为了防止混淆，Ignacio Vazquez-Abrams 使用 Unicode 转义的建议是我上面提供的解决方案的一个很好的替代方案。

Answer 2

改用 Unicode 转义符。

>>> re.compile('[\u0627-\u064a]')
<_sre.SRE_Pattern object at 0x237f460>

Answer 3

批准的答案确实有效，但是unicode

[\u0627-\u064a]

不包括字母“?”的变体，例如“У”、“Т”或“Х”，以及字母“”及其变体“Ф” 。 （我想对已批准的答案进行评论/建议编辑，但有一个队列）

因此，如果有人（重新）访问这个问题并需要这些字母变体，对我来说效果更好的 unicode 是 [\u0600-\u06FF]，答案是：

pattern = re.compile('[\u0600-\u06FF]')

Answer 4

您可以安装 PyPi 正则表达式模块 (

pip install regex

)，然后使用具有 字符类交集的模式：

[\p{Arabic}&&\p{L}]+

[\p{Arabic}&&\p{L}]

字符类与任何阿拉伯文字字符 (

\p{Arabic}

) 匹配，该字符也必须是 (

&&

) 字母 (

\p{L}

)。

+

使其匹配一个或多个此类字符。

import regex

text = "هذه المقالة عن اللغة العربية. لمعانٍ أخرى، طالع عربية (توضيح)."
print(regex.findall(r"[\p{Arabic}&&\p{L}]+", text))
# => ['هذه', 'المقالة', 'عن', 'اللغة', 'العربية', 'لمعان', 'أخرى', 'طالع', 'عربية', 'توضيح']

查看 Python 在线演示。