Python正则表达式：删除nonASCII字符和以numb结尾的单词

Question

我试图用“”替换字符串中所有非ASCII字符（重音符号），然后替换所有以数字结尾的单词。在

我认为r'\W |\b[^a-z]*[^a-z]\b'会这么做，因为我认为它说“删除非ASCII字符，或者删除以0个或更多个非字母开头、以非字母结尾的整个单词”。我所说的非字母是指所有不匹配的符号。然而，“hey2”，“a2”，“1a3”仍然存在

#remove all these words:
re.sub(r'\W|\b[^a-z]*[^a-z]\b',' ', "1 123 - hey2 a2 1a3 ".lower()) 
>>>' hey2 a2 1a3 '
#keep all these words:
re.sub(r'\W|\b[^a-z]*[^a-z]\b',' ', "1st first a2a 2bb esta' ".lower()) 
>>>'1st first a2a 2bb esta  '          #This works

我错过了什么？在

Answer 1

Remove non-unicode characters and words ending in number

似乎要删除任何非单词字符（与\W模式匹配）和任何以数字结尾的“单词”（字母/数字序列_，\w模式）。在

所以，你可以用

re.sub(r'\W|\b\w*\d\b', ' ', s)

请注意，如果您在python2.x中处理Unicode字符串，则需要传递re.UNICODE标志以使\W和{}识别Unicode。在

图案细节

• \W-非单词字符（不是字母、数字或_的任何字符）
• |-或
• \b-前导词边界
• \w*-零个或多个（*）字字符
• \d-一个数字
• \b-一个尾随的单词边界。

请注意，如果要将_字符视为非单词字符，请将\W替换为[\W_]，并将{}替换为{}。在

Answer 2

你少了一个（点）。在“*”之前。在

“.*”表示0个或更多个字符。在

  re.sub(r'\W|\b[^a-z]*[^a-z]\b',' ', "1 123 - hey2 a2 1a3 ".lower()) 

In [6]: re.sub(r'\W|\b[^a-z].*[^a-z]\b',' ', "1 123 - hey2 a2 1a3 asdasd".lower())
Out[6]: ' asdasd'