如何使用Python清除文本文件中除阿拉伯字母外的所有字符

问题原因 #

你当前使用的正则表达式没有正确匹配阿拉伯字母的字符范围，Python默认re模块的\w元字符仅包含英文字母、数字和下划线，不包含阿拉伯字母，因此原规则会误删阿拉伯文本。

解决方案 #

直接匹配阿拉伯字母的Unicode编码范围\u0600-\u06FF，仅保留该范围字符和必要的空格即可，修改后代码如下：

import re

# 加载文本（用with语句更安全，会自动关闭文件）
filename = '/content/drive/MyDrive/Colab Notebooks/ArabicKidsStories.txt'
with open(filename, 'rt', encoding='utf-8') as file:
    text = file.read()

# 仅保留阿拉伯字母和空白符
text = re.sub(r'[^\u0600-\u06FF\s]', '', text)
# 可选：去除多余的连续空格、首尾空格，优化输出格式
text = re.sub(r'\s+', ' ', text).strip()

print(text)

规则说明 #

正则r'[^\u0600-\u06FF\s]'中：

• \u0600-\u06FF覆盖了标准阿拉伯字母的全部Unicode编码范围
• ^放在方括号开头表示取反，即匹配所有不在上述范围、也不是空白符的字符
• 所有匹配到的字符都会被替换为空，最终仅保留阿拉伯字母和空格

内容的提问来源于stack exchange，提问作者Lama S