Python的isalpha()方法能否识别所有非字母字符？如何过滤非A-Z特殊字符？

关于isalpha()的行为 #

Python的str.isalpha()确实是有意这么设计的：它基于Unicode标准的字符属性做判断，所有被归类为「字母」的Unicode字符都会返回True，你看到的â、ã这类带变音符号的拉丁扩展字符本身就属于Unicode定义的字母范畴，所以不会被isalpha()过滤。你之前用的正则\W同理，默认也是匹配Unicode的非单词字符，不会把这类拉丁扩展字母算作非单词字符。

过滤仅保留A-Z英文字母的实现方法 #

你可以直接限定字符范围为ASCII的a-z、A-Z，两种常用实现思路如下：

方法1：用ASCII字母集校验 #

直接借助string.ascii_letters（包含所有大小写英文字母）判断字符是否属于合法范围：

import re
import string

# 定义合法字符集：大小写英文字母+空格（适配原逻辑的空格允许规则）
valid_chars = set(string.ascii_letters + ' ')

lines = [line.rstrip() for line in open('messages.txt', encoding='utf-8')]
# 原标点清理逻辑可简化为正则一次性替换
cleaned_lines = [re.sub(r'[!?.，,]', '', s) for s in lines]

output_lines = []
for line in cleaned_lines:
    # 校验所有字符都属于合法字符集
    if all(c in valid_chars for c in line):
        # 清理非字母字符后转小写
        output_lines.append(re.sub(r'[^a-zA-Z]', '', line.lower()))

chars = sorted(set(''.join(output_lines)))
print(chars)

方法2：正则直接匹配合规行 #

也可以用正则一次性完成行校验，不需要提前单独清理标点：

import re

lines = [line.rstrip() for line in open('messages.txt', encoding='utf-8')]
output_lines = []
# 正则规则：仅由大小写英文字母、空格、允许的标点(!?.,)组成的行
pattern = re.compile(r'^[a-zA-Z !?.,]+$')
for line in lines:
    if pattern.fullmatch(line):
        # 去掉所有非字母字符后转小写
        output_lines.append(re.sub(r'[^a-zA-Z]', '', line.lower()))

chars = sorted(set(''.join(output_lines)))
print(chars)

两种方法都可以完全过滤掉â、ã这类非ASCII的特殊字母字符，最终输出只会保留a-z的小写字母。

内容的提问来源于stack exchange，提问作者Rishab Jain