如何通过正则或遍历提取字符串中的长尾字母词？

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。

import unicodedata def extract_words_isalpha(s): s = unicodedata.normalize('NFC', s) # 确保组合字符正确识别 word = "" words = [] for char in s: if char.isalpha(): word += char elif word: # 遇到非字母且当前有累积单词时切分 words.append(word) word = "" if word: # 处理结尾为字母的情况 words.append(word) return words # 示例 s = "(This# is an5example!)" print(extract_words_isalpha(s)) # ['This', 'is', 'an', 'example'] # 多语言支持示例 s_fr = "C'est français, naïve café!" print(extract_words_isalpha(s_fr)) # ['C', 'est', 'français', 'naïve', 'café']

✅ 方案二：正则表达式 re.findall(r'[a-zA-Z]+', s)（适合纯 ASCII 场景）

若确定输入仅含 ASCII 字母，正则方案更简洁高效：

import re s = "(This# is an5example!)" words = re.findall(r'[a-zA-Z]+', s) print(words) # ['This', 'is', 'an', 'example']

但该正则不匹配 Unicode 字母（如 ç, é），若需国际化支持，应改用 re.findall(r'\b[a-zA-Z]+\b', s) 并配合 re.UNICODE 标志，或更稳妥地使用 \w+（需排除下划线）并过滤：

# 更通用的 Unicode 正则（需明确排除数字和下划线） words_unicode = re.findall(r'[^\W\d_]+', s, re.UNICODE)

? 总结建议

• 优先使用 isalpha() + 归一化遍历法：逻辑清晰、可读性强、Unicode 兼容性好，且无需引入正则复杂度；
• 避免 split() 或 re.split() 直接按非字母分割：易产生空字符串，需额外过滤；
• 生产环境务必对输入做 Unicode 归一化（NFC），以确保 isalpha() 对组合字符的稳定判断；
• 若性能敏感且数据确定为 ASCII，正则 re.findall(r'[a-zA-Z]+', s) 是轻量优选。

两种方法均能稳健达成目标——剥离一切非字母干扰，只留下纯净的单词序列。