我已经尝试了很多正则表达式组合,我不确定问题是我的正则表达式还是我的python编码(两者都相当新)。
我有list
名为inputs
:
inputs = [':boy', '_144-', '_1445', '_1445', 'alpha', 'monkey', '#sdakm', '.file', '.magic']
我希望最终得到的list
只包含做中包含非字母字符(未知)的项目。
所以我想找到:
newlist = [':boy', '_144-', '_1445', '#sdakm', '.file', '.magic']
没有全部[a-z]的项目。我还想过滤掉任何重复的匹配(任何类型)。
我的python代码如下:
import os, sys, re, string, codecs, cchardet, chardet
inputs = [':boy', '_144-', '_1445', '_1445', 'alpha', 'monkey', '#sdakm', '.file', '.magic']
regex = re.compile('.*[^abcdefghijklmnopqrstuvwxyz]*.*')
myset = set()
inputs_filtered=[]
for inp in inputs:
if re.search(i,inp):
if inp not in myset:
inputs_filtered.append(inp)
print('adding' + inp)
myset.add(inp)
ofile.write(inp + '\n')
else:
print('removing duplicate ' + inp)
else:
print("IS ALL LETTERS " + i)
print(myset)
ofile.close()
正则表达式我试图过滤掉或保留(我尝试了很多不同的方法,包括使用以下内容的不同代码:
[filter(lambda i: regex.search(i), inputs)]
'\".*[\W|\.|_|\_|-|\-]*.*\"
'.*[^abcdefghijklmnopqrstuvwxyz]*.*'
'\"[\w]*\",?'
'[\w]*'
另一件事是,myset.add()
似乎正在产生一个空集,但由于一些奇怪的原因inputs_filtered
正在填充......我想。
答案 0 :(得分:2)
由于您在示例中使用了set,因此结果的顺序似乎无关紧要。 你可以通过两种方式轻松完成。一个是正则表达式而另一个没有正则表达式(当你不需要时,为什么还要使用正则表达式。)
使用正则表达式,您只需要一个简单的正则表达式[^a-z]
。使用filter
,您可以执行以下操作:
# drop the IGNORECASE option if you only want lowercase
pat = re.compile(r'[^a-z]', re.IGNORECASE)
# using the function pat.search as your filter function
results = set(filter(pat.search, inputs))
如果它适合您的情况,名为str
的{{1}}类上有一个函数,如果您的字符串只有字母字符,则返回true。您可以使用以下代码构建您的集:
isalpha
如果您在results = { word for word in inputs if not word.isalpha() }
(filterfalse
的对位点)中加入itertools
函数,则可以执行以下操作:
filter
您可以考虑编写自己的函数以与from itertools import filterfalse
results = set(filterfalse(str.isalpha, inputs))
一起使用。这是一个也排除冒号或空格的函数:
filter
如果您要排除其他一些字符,可以使用正则表达式或使用def has_valid_characters(word):
return not (word.isalpha() or
' ' in word or
':' in word)
# ...
results = set(filter(has_valid_characters, input))
函数作为过滤函数的一部分:
any
答案 1 :(得分:1)
您可以将re.findall
与\W
:
inputs = [':boy', '_144-', '_1445', '_1445', 'alpha', 'monkey', '#sdakm', '.file', '.magic']
final_inputs = list(filter(lambda x:re.findall('[\W_]', x), inputs))
输出:
[':boy', '_144-', '_1445', '_1445', '#sdakm', '.file', '.magic']
答案 2 :(得分:1)
*
后面有[^abcdefghijklmnopqrstuvwxyz]
,表示匹配0次或更多次重复。将其更改为+
,以便将其与1次或更多次重复匹配。
您可以将[^abcdefghijklmnopqrstuvwxyz]
缩写为[^a-z]
。
>>> regex = re.compile('.*[^a-z]+.*')
>>> list(filter(lambda s: regex.match(s), inputs))
[':boy', '_144-', '_1445', '_1445', '#sdakm', '.file', '.magic']
答案 3 :(得分:0)
您也可以尝试不使用正则表达式方法:
inputs = [':boy', '_144-', '_1445', '_1445', 'alpha', 'monkey', '#sdakm', '.file', '.magic']
import unicodedata
import sys
symbols=[chr(i) for i in range(sys.maxunicode) if unicodedata.category(chr(i)).startswith('P')]
print([j for i in symbols for j in inputs if i in j])
输出:
['#sdakm', '_144-', '.file', '.magic', ':boy', '_144-', '_1445', '_1445']