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}$但结果是
中国中国foo中国bar中123=国中国12-34中国
我不明白为什么输出中有一个额外的等号?在
您的regex将首先检查}。这会成功的。然后它将检查lookbehind和lookahead,这两个操作都必须失败。Ie:如果其中一个成功了,这个角色就会保留下来。这意味着您的代码实际上保留了任何非字母数字、非中文的字符,这些字符在的任何边上。在
"="
与{您可以尝试以下正则表达式:
您可以这样使用它:
^{pr2}$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
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。在相关问题 更多 >
编程相关推荐