这是问题所在：

split=re.compile('\W*')

这个正则表达式在处理正则单词时效果很好，但是在某些情况下，我需要将该表达式包含诸如"käyttäj＆aml; auml;"之类的单词。

我应该在正则表达式中添加什么以包含＆和;字符？

解决方案

我们可能想使问题逆转，即找到所有没有空格的字符：

[^ \t\n]*

或者我们想添加额外的字符：

[a-zA-Z0-9&;]*

如果要匹配HTML实体，则应尝试以下操作：

(\w+|&\w+;)*

我们应该制作一个包含额外字符的字符类。例如：

split=re.compile('[\w&;]+')

这应该可以解决问题。供你参考

• \ w(小写字母'w')匹配单词字符(字母数字)
• \ W(大写的W)是一个否定的字符类(意味着它与任何非字母数字字符匹配)
• " *"匹配0次或者多次，而" +"匹配一次或者多次，因此" *"将匹配任何内容(即使那里没有字符)。

我将实体视为一个单元(因为它们也可以包含数字字符代码)，导致以下正则表达式：

(\w|&(#(x[0-9a-fA-F]+|[0-9]+)|[a-z]+);)+

这个匹配

• 文字字符(包括" _")，或者
• 至少一个十进制数字，或者
• 至少一个字母(=命名实体)，
• 分号
• 至少一次。

/ EDIT：感谢我们指出错误。

看起来像这样：

split = re.compile('(\ W +＆\ W +;)*')

感谢建议。他们中的大多数人在Reggy上都能正常工作，但是我不太明白为什么他们在re.compile上失败了。