在Python中过滤包含非英文字符的字符串

Question

举个例子，我有一个清单

items = ['www1bmobạnk.com', 'наш-переславль.рф', 'вольттек.рф', '別邸福の花浜松町店.com', 'благовест.рус', 'թարմլուր.հայ', '피시방.com', 'ått.com', '沃華科技.com', 'впамяти.рф', 'андрейбабкин.рф', '꽃셰프가.com', 'фортуна36.рф', 'わかば.com', 'тесты-на-коронавирус.рф', '第一個夏天.com', 'bëstchange.net', 'normaldomain.com']

我正在使用re.match过滤掉它们

for item in items:
    if re.match('[a-z0-9]', item):
        print("It's English! " + item)
    else:
        print("It's not! " + item)

问题是bëstchange.net和www1bmobạnk.com没有被过滤掉。我添加了[^ë]，它适用于bëstchange.net，但[^ạ]不适用于www1bmobạnk.com。我也尝试过Unicode [\u0061-\u007A]，但它几乎是一样的。

感谢您的建议！

Answer 1

您可以检查字符串是否包含非ASCII字母：

import re
items = ['www1bmobạnk.com', 'наш-переславль.рф', 'вольттек.рф', '別邸福の花浜松町店.com', 'благовест.рус', 'թարմլուր.հայ', '피시방.com', 'ått.com', '沃華科技.com', 'впамяти.рф', 'андрейбабкин.рф', '꽃셰프가.com', 'фортуна36.рф', 'わかば.com', 'тесты-на-коронавирус.рф', '第一個夏天.com', 'bëstchange.net', 'normaldomain.com']
for item in items:
    if not re.search(r'(?![a-zA-Z])[^\W\d_]', item):
        print(f"It's English! {item}")
    else:
        print(f"It's not! {item}")

请参阅Python demo。现在只有normaldomain.com通过了测试。

ASCII码模式可以匹配任何Unicode字母(带有[^\W\d_])，但是(?![a-zA-Z])否定先行检查将限制此模式，使其不能匹配ASCII码字母。