想要使用python regex提取具有某些特殊字符的字母数字文本

Question

我有以下想要使用python regex以所需格式显示的文本

text = "' PowerPoint PresentationOctober 11th, 2011(Visit) to Lap Chec1Edit or delete me in ‘view’ then ’slide master’.'"

我使用了以下代码

reg = re.compile("[^\w']")
text = reg.sub(' ', text)

但是它以文本= "'PowerPoint PresentationOctober 11th 2011 Visit to Lap Chec1Edit or delete me in â viewâ then â slide masterâ'"的形式给出输出，这不是期望的输出。

我想要的输出应该是text = '"PowerPoint PresentationOctober 11th, 2011(Visit) to Lap Chec1Edit or delete me in view then slide master.'" 我要删除除[]()-,.

之后的特殊字符

Answer 1

您可以使用正确的编码来修复字符，而不是删除字符：

text = text.encode('windows-1252').decode('utf-8')
// => ' PowerPoint PresentationOctober 11th, 2011Visit to Lap Chec1Edit or delete me in ‘view’ then ’slide master’.'

请参见Python demo

如果以后要删除它们，它将变得更加容易，例如text.replace('‘', '').replace('’', '')或re.sub(r'[’‘]+', '', text)。

Answer 2

尽管很简单，但我得到了答案，谢谢您的答复。

reg = re.compile("[^\w'\,\.\(\)\[\]]")
text = reg.sub(' ', text)