如何在python中分离混合词（波斯语和英语）

Question

我有一个字符串数据集，有些字符串包含混合词，如下所示：    سلام12World    دوربینdigital    سال2012good...我想要的输出是：   12 سلام world   دوربین digital   2012 سال good这是我的代码： def spliteKeyWord(str):     regex = r"[\u200b-\u200c]|[0-9]+|[a-zA-Z]+\'*[a-z]*"     matches = re.findall(regex, str, re.UNICODE)     return matches但这段代码没有显示我想要的输出。有可能得到类似的输出吗？

Answer 1

您可以使用re.findall交替模式：

def spliteKeyWord(s):
    return re.findall(r'[\dA-Za-z]+|[^\dA-Za-z\W]+', s, re.UNICODE)

Answer 2

参考这个问题，你可以使用这个正则表达式来解析非 ascii 字符：

words = ['12سلامWorld','دوربینdigital','2012سالgood']

for w in words:

    re.split(r'([^\x00-\x7F]+)', w)

# ['12', 'سلام', 'World']

# ['', 'دوربین', 'digital']

# ['2012', 'سال', 'good']

这将拆分非 ascii 单词之间的所有内容。