如何解决Python中僧伽罗语单词isalpha()返回结果不准确的问题？

问题原因 #

Python的str.isalpha()方法仅将Unicode类别为字母（以L开头，如Lu、Ll）的字符视为字母，而僧伽罗语中的元音附标（比如单词කෑම里的ෑ）属于非间距组合标记（Mn类），这类字符不会被isalpha()识别为字母，导致包含此类标记的僧伽罗语单词返回False。

解决方法 #

自定义判断函数，直接检查字符是否属于僧伽罗语的Unicode编码范围（U+0D80 至 U+0DFF），该范围内包含僧伽罗语的字母、元音附标等所有相关字符，能准确判断是否为僧伽罗语单词。

实现代码 #

def is_sinhala_word(word):
    # 僧伽罗语Unicode编码范围：0x0D80 到 0x0DFF
    return all(0x0D80 <= ord(char) <= 0x0DFF for char in word)

# 测试示例
for word in ['මට', 'කෑම', 'කන්න', 'ඕන']:
    print(is_sinhala_word(word))

输出结果 #

True
True
True
True

扩展：判断句子中的僧伽罗语单词 #

如果需要从混有英语的句子中筛选僧伽罗语单词，可以结合分词逻辑：

def extract_sinhala_words(sentence):
    sinhala_words = []
    for word in sentence.split():
        if is_sinhala_word(word):
            sinhala_words.append(word)
    return sinhala_words

# 测试
sentence = "මට කෑම වേണේ I need food"
print(extract_sinhala_words(sentence))  # 输出: ['මට', 'කෑම', 'වേണේ']

内容的提问来源于stack exchange，提问作者cmgchess