\w+和[a-zA-Z]+的区别，正则表达式输出出错-CSDN博客

本文链接：https://blog.csdn.net/weixin_58814750/article/details/137836487

在写代码时候如下代码段：m这里使用正则表达式 \d+ 来检查 i 中是否含有一个或多个数字。

正则表达式 \w+ 用于检查 i 中是否含有一个或多个字母、数字或下划线字符。

word_list=jieba.cut(strs,cut_all=True)
new_words=[]
    for i in word_list:
        # print(i)
        m=re.search("\d+",i)
        n=re.search("\w+",i)
        if not m and not n and len(i)>1:
            new_words.append(i)
    print(new_words)

预期输出：

实际输出：

解决方法：将'\w+'改为'[a-zA-Z]+'

word_list=jieba.cut(strs,cut_all=True)
new_words=[]
    for i in word_list:
        # print(i)
        m=re.search("\d+",i)
        n=re.search("[a-zA-Z]+",i) 
        if not m and not n and len(i)>1:
            new_words.append(i)
    print(new_words)

分析原因：

\w+

匹配范围：\w 匹配任何单字字符（alphanumeric character），通常包括所有字母和数字以及下划线（_）。具体来说，\w 等价于 [a-zA-Z0-9_]。
Unicode：在默认情况下（没有指定 Unicode 标志），\w 仅匹配 ASCII 字符。然而，如果在 Python 的正则表达式中启用了 Unicode 标志（通过在正则表达式中加上 re.U 或 re.UNICODE），\w 也可以匹配 Unicode 字符集中的字母和数字，这包括了许多非英语的字符，如中文、日本、韩国等文字。

[a-zA-Z]+

匹配范围：这个表达式明确地只匹配从 'a' 到 'z' 以及从 'A' 到 'Z' 的英文字母，因此它不包括数字和下划线或任何非英文字母字符。
非Unicode特定：使用 [a-zA-Z] 不受 Unicode 标志的影响，因为它明确指定了要匹配的字符集。它不会误匹配任何数字或特殊字符，也不包括任何非ASCII的字母字符。

在我的场景中，我的目标是从分词结果中排除任何含有数字或英文字符的词，而保留纯中文词汇。由于 \w+ 在某些配置下可能误将中文字符视为 word character（尤其是在 Unicode 模式下），它可能会导致所有包含中文的词都被错误地过滤掉。而 [a-zA-Z]+ 仅针对英文字符，因此不会影响中文字符的匹配，确保那些仅包含中文的词被正确保留。

在 Python 中，\w 是否将中文视为 word character 主要取决于正则表达式的编译标志和 Python 版本的默认行为。在 Python 的早期版本（Python 2），正则表达式不默认采用 Unicode-aware 模式，而在 Python 3 中，正则表达式默认已经是 Unicode-aware 的，这意味着 \w、\b、\s 等模式自动支持 Unicode 字符（包括中文）。