Python 3.6正则需求：匹配非字母字符但排除复合词连字符

看起来你的正则表达式在处理连字符时出现了解析问题，导致意外匹配了复合词里的连字符。我们来一步步修正它：

问题分析 #

你的原正则 [^\sA-Za-z\u00C0-\u00FF\u0153\u0152-]|(?=\W)-(?<=\W) 有两个核心问题：

1. 字符集里的 - 位置容易被引擎误解析——虽然你放在了最后，但如果前面的 \u0152 直接跟 -，部分场景下会被当成无效的范围符号，导致连字符没有被正确排除在移除列表外；
2. 第二个分支 (?=\W)-(?<=\W) 只能匹配前后都是非单词字符的连字符，但如果字符集错误地包含了连字符，就会导致所有连字符都被匹配，包括复合词里的。

修正后的正则方案 #

我们的目标很明确：只移除不在两个单词字符之间的连字符，同时保留指定字母、空格和复合词连字符。修正后的实现如下：

import re

# 定义清理用的正则模式
clean_pattern = r'[^\sA-Za-z\u00C0-\u00FF\u0153\u0152-]|-(?<!\w)|-(?!\w)'

# 测试示例文本
test_text = "- word-word"
cleaned_text = re.sub(clean_pattern, '', test_text)
print(cleaned_text)  # 输出: " word-word"

正则规则拆解 #

• [^\sA-Za-z\u00C0-\u00FF\u0153\u0152-]：匹配所有不属于以下范围的字符：空格、大小写英文字母、带重音的拉丁字母（\u00C0-\u00FF）、特殊连字 œ（\u0153）和 Œ（\u0152），以及连字符。这里把 - 放在字符集最后，确保它被当作普通字符而非范围符号。
• -(?<!\w)：匹配前面不是单词字符的连字符（比如文本开头的 -）。
• -(?!\w)：匹配后面不是单词字符的连字符（比如文本结尾的 -）。

如果想要同时移除开头的多余空格，可以调整正则追加处理：

clean_pattern = r'^\s+|[^\sA-Za-z\u00C0-\u00FF\u0153\u0152-]|-(?<!\w)|-(?!\w)'
cleaned_text = re.sub(clean_pattern, '', test_text)
print(cleaned_text)  # 输出: "word-word"

这样就能完美满足需求：保留复合词中的连字符，移除其他非字母字符和孤立的连字符。

内容的提问来源于stack exchange，提问作者TmSmth