我试图清理文字以保留最多的字母,数字和大多数通常的标点符号。例如,我有时会''''''''''或者'''''所以我想删除那些多个简单的引号。 到目前为止,我已选择使用两个正则表达式:
import re
tqre=re.compile('\'\'\'[^\']*\'\'\'') #for triple quotes
dqre=re.compile('\'\'[^\']*\'\'') #for "double" quotes
然后剥离每场比赛:
res1=tqre.sub(self.quoteExtract,text)
res2=dqre.sub(self.quoteExtract,res1)
其中:
def quoteExtract(self,match):
return match.group().strip("'")
它似乎适用于三重报价,但我有很多双重简单的引号通过,似乎它们没有被抓住。是因为它们不是真正简单的引用而是另一种相似的标志吗?还有另一种方法来处理它们吗?
例如:在* ''Esquisse d'une grammaire comparée de l'arménien classique'', 1903.
中找不到正则表达式。
答案 0 :(得分:3)
它没有通过,因为双引号之间有'
(l'arménien),但您正在尝试匹配[^']*
。
这种正则表达式最好使用lazy quantifier:
表示tqre = re.compile("'''.*?'''")
dqre = re.compile("''.*?''")
此处.*?
表示匹配任何字符串,当有多个匹配时,请选择最短的匹配。
.
=除了换行符之外的任何字符*
=零或更多,?