python正则表达式：如何从一个字符串中删除所有标点字符，但将它们保留在数字之间？

Question

我正在做一个中国NLP项目。我需要删除除数字之间的字符以外的所有标点字符，只保留中文字符（\u4e00-\u9fff）、字母数字字符（0-9a-zA-Z） 12-34中的连字符应保留，123后的等号应去掉。在

这是我的python脚本。在

import re
s = "中国，中，。》％国foo中¥国bar@中123=国％中国12-34中国"
res = re.sub(u'(?<=[^0-9])[^\u4e00-\u9fff0-9a-zA-Z]+(?=[^0-9])','',s)
print(res)

预期产出应该是

^{pr2}$

但结果是

中国中国foo中国bar中123=国中国12-34中国

我不明白为什么输出中有一个额外的等号？在

Answer 1

您的regex将首先检查"="与{}。这会成功的。然后它将检查lookbehind和lookahead，这两个操作都必须失败。Ie：如果其中一个成功了，这个角色就会保留下来。这意味着您的代码实际上保留了任何非字母数字、非中文的字符，这些字符在的任何边上。在

您可以尝试以下正则表达式：

u'([\u4e00-\u9fff0-9a-zA-Z]|(?<=[0-9])[^\u4e00-\u9fff0-9a-zA-Z]+(?=[0-9]))'

您可以这样使用它：

^{pr2}$

Answer 2

我建议在数字之间匹配并捕获这些字符（以便稍后在输出中恢复它们），并且只在其他上下文中匹配它们。在

在python2中，它看起来像

import re
s = u"中国，中，。》％国foo中¥国bar@中123=国％中国12-34中国"
pat_block = u'[^\u4e00-\u9fff0-9a-zA-Z]+';
pattern = u'([0-9]+{0}[0-9]+)|{0}'.format(pat_block)
res = re.sub(pattern, lambda x: x.group(1) if x.group(1) else u"" ,s)
print(res.encode("utf8")) # => 中国中国foo中国bar中123国中国12-34中国

参见Python demo

如果需要在任何Unicode数字中保留这些符号，则需要将[0-9]替换为\d，并将re.UNICODE标志传递给regex。在

正则表达式看起来像

^{pr2}$

它的工作原理如下：

• ([0-9]+[^\u4e00-\u9fff0-9a-zA-Z]+[0-9]+)-第1组捕获
  • [0-9]+-1+位数
  • [^\u4e00-\u9fff0-9a-zA-Z]+-1+个字符，而不是在指定范围内定义的字符
  • [0-9]+-1+位数
• |-或
• [^\u4e00-\u9fff0-9a-zA-Z]+-1+个字符，而不是在指定范围内定义的字符

在python2.x中，当一个组在re.sub中不匹配时，对它的反向引用是None，这就是为什么需要lambda表达式来检查组1是否首先匹配。在