如何仅保留字母数字、空格并过滤非ASCII字符？正则表达式优化求助

嘿，我明白你的需求了——你想用正则表达式移除所有非字母数字字符（除了空格），同时还要把非ASCII字符也过滤掉，对吧？

为什么原来的方法不生效 #

你之前用的re.sub(r'\W+', '', s)之所以会保留非ASCII字符，是因为Python的re模块默认采用Unicode模式：

• \w在Unicode模式下匹配的是所有Unicode单词字符（包括中文、日文、希腊字母等非ASCII字母）
• \W则是匹配非单词字符，所以那些非ASCII的字母会被当成\w保留下来，不会被替换。

解决方案：精准匹配ASCII范围内的字符 #

我们可以用取反字符集[^...]来明确指定要保留的字符：只保留ASCII字母（大小写）、数字和空格，其他所有字符都替换为空。对应的正则表达式是：

import re

original_str = 'This is a sentence, and here are non-english 托利 苏 !!11'
processed_str = re.sub(r'[^a-zA-Z0-9\s]', '', original_str)
print(processed_str)

运行这段代码后，输出就是你想要的：

This is a sentence and here are non-english 11

解释一下这个正则 #

• [^a-zA-Z0-9\s]：方括号里的^表示“取反”，意思是匹配不在以下范围内的所有字符：
  • a-zA-Z：所有ASCII大小写字母
  • 0-9：数字0到9
  • \s：空格（包括普通空格、制表符等，如果只想保留普通空格，可以直接换成 ）

这样一来，不管是标点符号还是非ASCII字符（比如例子里的中文“托利 苏”），都会被替换为空，完美符合你的需求～

内容的提问来源于stack exchange，提问作者Filipe Aleixo