Мне нужно найти все слова в тексте, в котором могут быть символы испанского алфавита. Из-за того, что в нем встречаются символы вида "á", регулярное выражение не работает, как нужно. Я пытался сделать так:
import re
import io
with io.open('1.txt', 'rb') as file_for_search:
for m in re.finditer(rb'\b[\wá]+\b', file_for_search.read()):
print(m)
Но возникает ошибка:
SyntaxError: bytes can only contain ASCII literal characters
Содержимое файла 1.txt:
Eu augue ut lectus arcu bibendum at va
ábaco
abdomen
abeja
abierto
abogado
abono
aborto
abrazo
abrir
abuelo
abuso
acabar
rus faucibus ornare
Результат работы скрипта (если регулярка выглядит так rb'\b\w+\b'):
<re.Match object; span=(36, 38), match=b'va'>
<re.Match object; span=(42, 43), match=b'a'> <-- 1 часть слова
<re.Match object; span=(45, 49), match=b'baco'> <-- 2 часть слова
<re.Match object; span=(51, 58), match=b'abdomen'>
<re.Match object; span=(60, 65), match=b'abeja'>
Тут одно слово разбивается на две части, что недопустимо.
Если использовать регулярку вида r'\b[\wa-zñáéíóúü]+\b' и читать файл в обычном режиме "r", то искомое слово отображается криво:
<re.Match object; span=(40, 47), match='aМЃbaco'>
Подскажите регулярное выражение или способ, как решить задачу по поиску слов, в том числе и испанских.. При решении задачи важно использовать конструкцию "for m in re.finditer". Режим "rb" в файле НЕ обязателен, можно использовать обычный "r".
Дополнительно: было бы хорошо найти способ, с помощью которого можно искать также слова и из французского алфавита. Там тоже есть символы вида "é". А также символы японского языка:
あらいぐま
あらし
あらすじ