本文介绍多种从字符串中提取连续字母序列（即“单词”）的方法，重点解决非字母字符（如标点、数字、空格等）作为分隔符的问题，并兼顾多语言 unicode 字符（如带重音符号的法语字符）的正确识别。
本文介绍多种从字符串中提取连续字母序列（即“单词”）的方法，重点解决非字母字符（如标点、数字、空格等）作为分隔符的问题，并兼顾多语言 unicode 字符（如带重音符号的法语字符）的正确识别。
在文本处理中，常需从混杂标点、数字和空格的原始字符串中提取“纯单词”——即仅由字母构成的连续子串。例如，对 s = "(This# is an5example!)"，期望输出 ['This', 'is', 'an', 'example']。关键在于：以任意非字母字符为边界进行切分，同时确保 Unicode 字母（如 é, ñ, ç）被正确识别。
方法一：基础循环 + str.isalpha()（推荐入门）
最直观的方式是遍历每个字符，累积字母，遇非字母且当前有累积内容时切分：
s = "(This# is an5example!)"
word_list = []
word = ""
for char in s:
if char.isalpha():
word += char
elif word: # 非空且遇到分隔符，保存并重置
word_list.append(word)
word = ""
if word: # 处理末尾未结束的单词
word_list.append(word)
print(word_list) # ['This', 'is', 'an', 'example']✅ 优点：逻辑清晰、无外部依赖、天然支持 Unicode（'français'.isalpha() 返回 True）。
⚠️ 注意：Python 的 isalpha() 基于 Unicode 标准，但对组合字符序列（如 franc\u0327ais，即 c + 组合变音符 ◌̧）可能返回 False，因其未归一化。生产环境建议先 unicodedata.normalize('NFC', s)。
方法二：正则表达式（简洁高效）
使用 re.findall() 直接匹配连续字母序列：
import re s = "(This# is an5example!)" words = re.findall(r'[a-zA-Z]+', s) # 仅 ASCII 字母 print(words) # ['This', 'is', 'an', 'example']
若需支持所有 Unicode 字母（含法语、西语等），改用 \p{L}（需 regex 模块，非标准 re）：
立即学习“Python免费学习笔记（深入）”；
# pip install regex
import regex # 注意：不是标准库的 re
s = "(Café naïve résumé!)"
words = regex.findall(r'\p{L}+', s) # \p{L} 匹配任意 Unicode 字母
print(words) # ['Café', 'naïve', 'résumé']✅ 优点：代码极简、性能好；regex 模块的 \p{L} 严格遵循 Unicode 字母定义，比 isalpha() 更鲁棒。
⚠️ 注意：标准 re 不支持 \p{L}，必须使用第三方 regex 库。
方法三：re.split() + 过滤（灵活可控）
用非字母字符分割，再过滤空字符串：
import re s = "(This# is an5example!)" # 用非字母字符分割，保留非空结果 words = [w for w in re.split(r'[^a-zA-Z]+', s) if w] print(words) # ['This', 'is', 'an', 'example']
同样可升级为 Unicode 版本（配合 regex）：
import regex
words = [w for w in regex.split(r'\P{L}+', s) if w] # \P{L} = 非字母总结与选型建议
- 快速原型/ASCII 场景：用 re.findall(r'[a-zA-Z]+', s) 最简洁；
- 多语言生产环境：优先选用 regex.findall(r'\p{L}+', s)，并确保输入已 NFC 归一化；
- 避免依赖第三方库：使用 isalpha() 循环法，但务必添加 unicodedata.normalize('NFC', s) 预处理；
- 永远记得：空字符串过滤（if word 或列表推导式过滤）和结尾单词处理，否则可能遗漏末尾单词或产生空项。
通过以上方法，你可稳健、准确地从任意字符串中提取符合语言习惯的“纯单词”，为后续 NLP 或数据清洗任务打下坚实基础。
