这是一个创建于 2345 天前的主题，其中的信息可能已经有所发展或是发生改变。
一篇长文章，包含英语，日语，中文甚至韩语，阿拉伯语等，我现在只需要保留纯英文段落（有英文标点和特殊字符），那些包含非英语字符的段落全部删掉，怎么用正则判断？
 | 1 daviswei 2019 年 8 月 21 日 是不是[A-Za-z0-9] |
 | 2 jdhao 2019 年 8 月 21 日 via Android capture group? 把英文放到 capture group，只保留这些 group 就 ok 了。英文看成 ascii 字符连续不断的字符串 |
 | 3 SuperMild 2019 年 8 月 21 日 如果段落与段落之间有明确区分（比如空行），那么，只取每个段落的头几个和尾几个字符来判断就可以了。 |
 | 5 DiamondbacK 2019 年 8 月 21 日 sed '/[^0-9A-z[:punct:]/d' |
 | 6 taogen 2019 年 8 月 21 日 via Android 不知道你是什么编程语言，一般编程语言都采用的是 Unicode 字符编码。你搜一下你的语言，比如 Java 正则提取英文 Unicode 字符串 |
| 7 DiamondbacK 2019 年 8 月 21 日 更正： sed '/[^0-9Az[:punct:]]/d' |
| 8 SuperMild 2019 年 8 月 21 日 其他语种的段落里大概率会包含英文字母，如果简单抽取拼接在一起，结果看起来会很奇怪的。建议逐段处理，一段里超过多少个非英语字母就整段抛弃。 |
 | 10 autoxbc 2019 年 8 月 21 日 写一个函数，对每个段落打分，按照英文和标点的百分比确定分值 |
| 11 DiamondbacK 2019 年 8 月 21 日 更正（加上空格）： sed '/[^0-9A-z[:punct:] ]/d' |
| 12 DiamondbacK 2019 年 8 月 21 日 怎么问题又变了？不是「只保留纯英文段落」吗？ 这个标准本身很明确啊，等同于将你们现在所说的「阈值」设为 0。 |
| 13 DiamondbacK 2019 年 8 月 21 日 你没定义「段落」，所以这里按行来处理。补充一个 gawk 方法： gawk "!/[^0-9A-z[:punct:] ]/{ print }" |
| 14 DiamondbacK 2019 年 8 月 21 日 |
Select Language