如何通过正则或遍历提取字符串中的长尾字母词？
- 内容介绍
- 相关推荐
本文共计743个文字，预计阅读时间需要3分钟。
原文介绍两种可靠方法从混合字符串中提取仅含字母的单词：
在文本处理中，常需从含标点、数字、空格等非字母字符的字符串中精准提取“纯字母单词”。例如，给定 s = "(This# is an5example!)"，目标是得到 ['This', 'is', 'an', 'example']。关键在于正确识别“字母”边界——既要支持英文，也要兼顾带重音符号的国际字符（如法语 français）。
✅ 推荐方案一：逐字符遍历 + str.isalpha()（推荐用于多语言场景）
Python 的 str.isalpha() 方法遵循 Unicode 标准，能正确识别大多数语言的字母（包括 ç, ñ, ä 等），但需注意：组合字符序列（如 franc\u0327ais，即 c 后跟独立的组合变音符 U+0327）可能被判定为非字母，因其未归一化。因此，若输入含此类序列，建议先调用 unicodedata.normalize('NFC', s) 归一化。
本文共计743个文字，预计阅读时间需要3分钟。
原文介绍两种可靠方法从混合字符串中提取仅含字母的单词：
在文本处理中，常需从含标点、数字、空格等非字母字符的字符串中精准提取“纯字母单词”。例如，给定 s = "(This# is an5example!)"，目标是得到 ['This', 'is', 'an', 'example']。关键在于正确识别“字母”边界——既要支持英文，也要兼顾带重音符号的国际字符（如法语 français）。
✅ 推荐方案一：逐字符遍历 + str.isalpha()（推荐用于多语言场景）
Python 的 str.isalpha() 方法遵循 Unicode 标准，能正确识别大多数语言的字母（包括 ç, ñ, ä 等），但需注意：组合字符序列（如 franc\u0327ais，即 c 后跟独立的组合变音符 U+0327）可能被判定为非字母，因其未归一化。因此，若输入含此类序列，建议先调用 unicodedata.normalize('NFC', s) 归一化。