python中用正则表达式去掉文本中所有的标点符号
Posted
tags:
篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了python中用正则表达式去掉文本中所有的标点符号相关的知识,希望对你有一定的参考价值。
目前的做法是:
line=re.sub(r'[]+'.format(punctuation),'',line)
但是这样不能够将标点符号去除完全,比如python’s中的“ ’ ”就不能被去掉,请问该怎么做?
我的理解是 python’s的“ ’ ”也是字符 ,和标点符号一样。你只要把去除的字符都加到正则表达式的括号中就可以了。 ,所以:
import re
r='[’!"#$%&\\'()*+,-./:;<=>?@[\\\\]^_`|~]+'
line=re.sub(r,'',"python’s")
print line
参考技术A先定义变量 punctuation,其内容应该是所有的标点符号。
例如:import repunctuation def removePunctuation...
Python是一种面向对象、直译式计算机程序设计语言,由荷兰人Guido van Rossum发明于1989年,1991年发行第一个公开发行版。它常被昵称为胶水语言,它能够很轻松的把用其他语言制作的各种模块(尤其是C/C++)轻松地联结在一起。
Python是纯粹的自由软件, 源代码和解释器CPython遵循 GPL协议。语法简洁清晰,特色之一是强制用空白符作为语句缩进。名字来源于一个喜剧,最初设计Python这种语言的人并没有想到Python会在工业和科研上获得如此广泛的使用。
参考技术B line.translate(None,punctuation)追问报错:
translate() takes exactly one argument (2 given)
python啥版本。。line是string?
看文档https://docs.python.org/2/library/stdtypes.html#str.translate
unicode 真麻烦。。上了次stackoverflow才找到。。。
import sys
tbl = dict.fromkeys(i for i in xrange(sys.maxunicode)
if unicodedata.category(unichr(i)).startswith('P'))
def remove_punctuation(text):
return text.translate(tbl)
#你爽了直接 remove_punctuation(line)
#或者屌屌的这样:
import regex as re
def remove_punctuation(text):
return re.sub(ur"\\pP+", "", text)本回答被提问者采纳
如何在 python 中替换正则表达式?
【中文标题】如何在 python 中替换正则表达式?【英文标题】:How do I do this replace regex in python? 【发布时间】:2011-03-19 21:00:45 【问题描述】:给定一串文本,在 Python 中:
s = "(((((hi abc )))))))"
s = "***(((((hi abc ***&&&&"
如何将出现超过 3 次的所有非字母符号替换为空白字符串
对于以上所有,结果应该是:
hi abc
【问题讨论】:
如果输入为"(&*hello!@#"
,输出应该是什么?
【参考方案1】:
这应该有效:\W3,
:匹配出现 3 次或更多次的非字母数字:
>>> s = "***(((((hi abc ***&&&&"
>>> re.sub("\W3,", "", s)
'hi abc'
>>> s = "(((((hi abc )))))))"
>>> re.sub("\W3,", "", s)
'hi abc'
【讨论】:
@John:正确。示例包括“***”,所以我猜测他想要 3+……我相信,鉴于这个解决方案,他可以弄清楚如何添加一个。 (这就是为什么我用斜体3个或更多)【参考方案2】:如果您想替换任何非空格非字母数字序列(例如'!?&'
以及您的示例),@Stephen 的答案很好。但如果您只想替换三个或更多相同非字母字符的序列,反向引用会有所帮助:
>>> r3 = re.compile(r'(([^\s\w])\22,)')
>>> r3.findall('&&&xxx!&?yyy*****')
[('&&&', '&'), ('*****', '*')]
所以,例如:
>>> r3.sub('', '&&&xxx!&?yyy*****')
'xxx!&?yyy'
【讨论】:
+1,我回来为我的答案添加反向引用,但我会让你拥有它... :) @John,是的,但正如@Stephen 已经解释的那样,OP 在英语中犯了一个小错误,而不是在他的期望行为示例中完全大错特错;-)。【参考方案3】:您不能(很容易,使用正则表达式)将其替换为与被替换文本长度相同的“空白字符串”。您可以将其替换为空字符串 ""
或单个空格 " "
或您选择的任何其他常量字符串;我在示例中使用了"*"
,以便更容易看到正在发生的事情。
>>> re.sub(r"(\W)\13,", "*", "12345<><>aaaaa%%%11111<<<<..>>>>")
'12345<><>aaaaa%%%11111*..*'
>>>
仔细注意:它不会改变“”......我假设“出现超过 3 次的非字母符号”意味着相同的符号必须发生超过 3 次”。我还假设您的意思是“超过 3”而不是“3 或更多”。
【讨论】:
以上是关于python中用正则表达式去掉文本中所有的标点符号的主要内容,如果未能解决你的问题,请参考以下文章
采用 Unicode 标点属性方式的正则表达式,可以去掉所有的标点符号,