Pythonで国際的な単語でファイルを解析する方法

Question

私は異なる言語の単語でファイルを持っています。私はすべてのファイルで同じ構造を持つようにPythonプログラミング言語を使用してそれらを解析したいと思います。 現在、ファイルは目標がFW、それらのすべてが

** word 

私はすでにいくつかのコードは、FR、一つのファイルからの読み込み、および新しいものへの書き込みをしているように書かれていことです

1. word1 
24. word2 
- word3 
word4 
** word5 

のような行を含みますこのように

for line in fr: 
     match = re.search(r'^\*\* .*', line) 
     if match: 
     fw.write(line) 

私には2つの質問があります。

最初の質問です。どのように正規表現を書いて、それはアルファ文字から始まる行を探して、アルファ文字の前にあるすべてを削除するでしょうか？

私はこの

fw.write(re.sub(r'(^([^a-zA-Z].*)([a-zA-Z])*.*)', "** \1", line)) 

のように試してみましたが、それは動作しません。

2番目の質問です。文字列がアルファベットで始まるかどうかを確認する方法。私は試しました

print line[0].isalpha() 

返すか？それを最初にUnicodeにする必要がありますか？

ありがとうございます。

Answer 1

を捕獲1文字以上続く0以上の非文字が可能行のいずれかにマッチしてみ意味する

​​

：としてそれを使用[a-zA-Z]

の代わりにこれを入れて次に、残りの行をあなたの興味のある単語として収集します。

pat = re.compile(r'^(\d+\. |- |\*\*)?(?P<word>.*)') 

最初のグループは、可能な接頭辞を（あなたの代わりにリテラルスペースの1つ以上のスペースのためにそれを修正したい場合があります）を定義します。第2の名前付きグループが単語を取得します。

Answer 2

インポートcodecsモジュールと、あなたのファイルは、言語が混在している場合は

fp = codecs.open(filename, encoding='utf-8') 

でファイルを開き、これは右である可能性が最も高いです。そうでない場合は、どのエンコーディングを使用するべきかを把握してください。これはあなたにユニコードを与え、あなたのREは正しく働くことを望むでしょう。

Answer 3

文字のunicodeプロパティは、\pLです。グループ内の1