我试图从某些文本中删除所有特殊字符,这是我的正则表达式:
pattern = re.compile('[\W_]+', re.UNICODE)
words = str(pattern.sub(' ', words))
超级简单,但不幸的是,当使用撇号(单引号)时会导致问题。例如,如果我有“不”字样,则此代码返回“doesn”。
有没有办法调整这个正则表达式,以便在这样的实例中不删除撇号?
编辑:这就是我的目标:
doesn't this mean it -technically- works?
应该是:
这不意味着它在技术上有效吗
答案 0 :(得分:13)
喜欢这个吗?
>>> pattern=re.compile("[^\w']")
>>> pattern.sub(' ', "doesn't it rain today?")
"doesn't it rain today "
如果还应该过滤掉下划线:
>>> re.compile("[^\w']|_").sub(" ","doesn't this _technically_ means it works? naïve I am ...")
"doesn't this technically means it works naïve I am "
答案 1 :(得分:1)
我能够使用此正则表达式将您的示例解析为单词列表:[a-z]*'?[a-z]+
。
然后你可以用空格加入列表中的元素。
答案 2 :(得分:0)
怎么样
re.sub(r"[^\w' ]", "", "doesn't this mean it -technically- works?")
答案 3 :(得分:0)
([^\w']|_)+
怎么样?
请注意,这不适用于以下内容:
doesn't this mean it 'technically' works?
这可能不完全是你所追求的。