从unicode字符串中删除选定的标点符号

Question

我正在使用一组unicode字符串并使用以下代码（如Remove punctuation from Unicode formatted strings所示）：

import regex

def punc(text):
    return regex.sub(ur"\p{P}+", " ", text)

我想更进一步，尝试选择性地保留某些标点符号。例如，无需从unicode字符串中删除-。最好的方法是什么？提前致谢！ ：）

Answer 1

您可以使用\p{P}否定\P{P}然后将其放入否定字符类（[^…]）以及您要保留的任何字符，如下所示：

return regex.sub(ur"[^\P{P}-]+", " ", text)

这将匹配\p{P}中的一个或多个字符，但在字符类中定义的字符除外。

请记住-是角色类中的特殊字符。如果它没有出现在角色类的开头或结尾，你可能需要逃避它。

---

另一种解决方案是使用否定前瞻（(?!…)）或否定后瞻（(?<!…)）

return regex.sub(ur"((?!-)\p{P})+", " ", text)

return regex.sub(ur"(\p{P}(?<!-))+", " ", text)

但对于这样的事情，我建议使用角色类。

Answer 2

您可以使用character class：

def punc(text):
    return regex.sub(ur"[^\P{P}-]+", " ", text)

诀窍是否定字符类（[^a]匹配除 a之外的任何）并使用否定的Unicode属性：

• 我们将\p{P}替换为[^\P{P}] - 两者的行为完全相同。
• 现在我们可以在不匹配的类中添加字符：[^\P{P}-]匹配除-之外的任何标点字符。