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。