python 如何匹配一撇字符_正则表达式可以接受python中的所有泰语字符和英语字母...

我需要对泰文中的文本文档进行矢量化处理(例如Word of Bag，doc2vec)。

首先，我想遍历每个文档，省略除泰语字符和英语单词之外的所有内容(例如，不带标点，没有数字，除撇号外没有其他特殊字符)。

对于英文文档，我使用以下正则表达式：[^a-zA-Z' ]|^'|'$|''

对于泰国文档，我找不到要使用的正确正则表达式。我知道泰语的Unicode块是u0E00–u0E7F。我尝试了[^ก-๛a-zA-Z' ]|^'|'$|''许多其他组合，但没有成功。

例如：我要

ทรูวิชั่นส์ประกาศถ่ายทอดสดศึกฟุตบอดสดศึกฟุตบอล3อูวิชั่ครบทุกนัดเป็นเวลา3ลาล2016/2017-2018/2019พร้อมด้วยอีก5ลีกดังอาทิลาลีกาสเปน，กัลโชรียเออิตาลี ์ั่งเศสรั่งเศสภายใต้แพ็กเกจสุดคุ้มทั้งผ่านมือถือและโทรทัศน์一些，这里是英语单词！abc123“

成为：

“ทรูวิชั่นส์ประกาศถ่ายทอดสดศึกฟุตบอลพรีเมียร์ลีกอล Englishานมือถือและโทรทัศน์这里有一些英语单词abc“

解决方案

我将使用一些列表来做我需要的事情。

首先，让我们创建模式：

pattern=re.compile(r"[^\u0E00-\u0E7Fa-zA-Z' ]|^'|'$|''")

我将使用一个名为的字符串test_string，其中包含您的示例：

test_string="ทรูวิชั่นส์ ประกาศถ่ายทอดสดศึกฟุตบอล พรีเมียร์ ลีก อังกฤษ ครบทุกนัดเป็นเวลา 3 ปี ตั้งแต่ฤดูกาล 2016/2017 - 2018/2019 พร้อมด้วยอีก 5 ลีกดัง อาทิ ลา ลีกา สเปน, กัลโช เซเรีย เอ อิตาลี และลีกเอิง ฝรั่งเศส ภายใต้แพ็กเกจสุดคุ้ม ทั้งผ่านมือถือ และโทรทัศน์ some, English words here! abc123"

首先，让我们在列表中删除要删除的字符：

char_to_remove=re.findall(pattern,test_string)

然后，让我们创建一个由原始字符串中的字符组成的列表，其中不包含这些字符：

list_with_char_removed=[charforcharintest_stringifnotcharinchar_to_remove]

我们将此列表转换为字符串，然后完成。

result_string=''.join(list_with_char_removed)

结果是：

'ทรูวิชั่นส์ ประกาศถ่ายทอดสดศึกฟุตบอล พรีเมียร์ ลีก อังกฤษ ครบทุกนัดเป็นเวลา ปี ตั้งแต่ฤดูกาล พร้อมด้วยอีก ลีกดัง อาทิ ลา ลีกา สเปน กัลโช เซเรีย เอ อิตาลี และลีกเอิง ฝรั่งเศส ภายใต้แพ็กเกจสุดคุ้ม ทั้งผ่านมือถือ และโทรทัศน์ some English words here abc'

如果您有任何更清洁的方法来执行任何步骤/任何问题，请不要犹豫！