寻找一个经常的表达，包括字母数字+"&"和"；"

Question

这里的问题：

split=re.compile('\\W*')

这经常表达的正常工作时处理常规的词语，但也有些时候，我要表达以包括这样的词 käyttäj&aml;auml;.

什么我应该添加到regex包括 & 和 ; 人物？

Answer 1

你可能想要反过来解决问题，即找到没有空格的所有字符：

[^ \t\n]*

或者您想添加额外的字符：

[a-zA-Z0-9&;]*

如果您想匹配HTML实体，您应该尝试类似：

(\w+|&\w+;)*

Answer 2

我将把各实体作为一个单元(因为它们也可以包含的数字代码)，导致在以下常规的表达：

(\w|&(#(x[0-9a-fA-F]+|[0-9]+)|[a-z]+);)+

这个比赛

• 一个字符的(包括"_")，或
• HTML实体组成的
  • 字符"&”,
    • 字符"#”,
      • 字符"x"随后至少一个进制数字，或
      • 至少一个十进制数字，或
    • 至少一个字母(=命名的实体)，
  • 一分号
• 至少一次。

/编辑:由于ΤΖΩΤΖΙΟΥ指出了一个错误。

Answer 3

你应该做一个字符类将包括额外的人物。例如：

split=re.compile('[\w&;]+')

这应该做的伎俩。你的信息

• \w (情况下的'w')相匹配的字符的(字母数字)
• \W (资本W)是否符类(这意味着它相匹配的任何非字母数字符)
• * 匹配0或更多的时间和 + 相匹配的一个或更多的时间，所以 * 将任何匹配(即如果没有人物那里)。

Answer 4

看起来这样做了诀窍：

分裂= re.compile（ '（\\ W +＆安培; \\ W +;）*'）

感谢您的建议。他们中的大多数在Reggy上工作得很好，但我不太明白他们为什么用re.compile失败了。