У меня небольшие проблемы с регулярными выражениями Python.
Что такое хороший способ удалить все символы в строке, которая не является буквами или цифрами?
Спасибо!
У меня небольшие проблемы с регулярными выражениями Python.
Что такое хороший способ удалить все символы в строке, которая не является буквами или цифрами?
Спасибо!
[\w]
соответствует (буквенно-цифровое или подчеркивание).
[\w]
соответствует (не (буквенно-цифровое или подчеркивание)), что эквивалентно (не буквенно-цифровому и не подчеркиванию)
Вам нужно [\W_]
удалить ВСЕ не-буквенно-цифровые символы.
При использовании re.sub() это будет намного более эффективно, если вы уменьшите количество подстановок (дорогих) путем сопоставления с помощью [\W_]+
вместо того, чтобы делать это за раз.
Теперь вам нужно определить буквенно-цифровые символы:
str
объект, только ASCII A-Za-z0-9:
re.sub(r'[\W_]+', '', s)
str
объект, только локализованные буквенно-цифровые символы:
re.sub(r'[\W_]+', '', s, flags=re.LOCALE)
unicode
объект, все буквенно-цифровые символы:
re.sub(ur'[\W_]+', u'', s, flags=re.UNICODE)
Примеры для объекта str
:
>>> import re, locale
>>> sall = ''.join(chr(i) for i in xrange(256))
>>> len(sall)
256
>>> re.sub('[\W_]+', '', sall)
'0123456789ABCDEFGHIJKLMNOPQRSTUVWXYZabcdefghijklmnopqrstuvwxyz'
>>> re.sub('[\W_]+', '', sall, flags=re.LOCALE)
'0123456789ABCDEFGHIJKLMNOPQRSTUVWXYZabcdefghijklmnopqrstuvwxyz'
>>> locale.setlocale(locale.LC_ALL, '')
'English_Australia.1252'
>>> re.sub('[\W_]+', '', sall, flags=re.LOCALE)
'0123456789ABCDEFGHIJKLMNOPQRSTUVWXYZabcdefghijklmnopqrstuvwxyz\x83\x8a\x8c\x8e\
x9a\x9c\x9e\x9f\xaa\xb2\xb3\xb5\xb9\xba\xc0\xc1\xc2\xc3\xc4\xc5\xc6\xc7\xc8\xc9\
xca\xcb\xcc\xcd\xce\xcf\xd0\xd1\xd2\xd3\xd4\xd5\xd6\xd8\xd9\xda\xdb\xdc\xdd\xde\
xdf\xe0\xe1\xe2\xe3\xe4\xe5\xe6\xe7\xe8\xe9\xea\xeb\xec\xed\xee\xef\xf0\xf1\xf2\
xf3\xf4\xf5\xf6\xf8\xf9\xfa\xfb\xfc\xfd\xfe\xff'
# above output wrapped at column 80
Пример Unicode:
>>> re.sub(ur'[\W_]+', u'', u'a_b A_Z \x80\xFF \u0404', flags=re.UNICODE)
u'abAZ\xff\u0404'
'\W'
совпадает с [^A-Za-z0-9_]
плюс акцентированные символы из вашей локали.
>>> re.sub('\W', '', 'text 1, 2, 3...')
'text123'
Возможно, вы хотите сохранить пробелы или иметь все слова (и числа):
>>> re.findall('\w+', 'my. text, --without-- (punctuation) 123')
['my', 'text', 'without', 'punctuation', '123']
В правиле сопоставления char [...]
вы можете указать ^
, как первый char, чтобы означать "не в"
import re
re.sub("[^0-9a-zA-Z]", # Anything except 0..9, a..z and A..Z
"", # replaced with nothing
"this is a test!!") # in this string
--> 'thisisatest'
Есть и другие способы, которые вы можете рассмотреть, например. просто перебирайте строку и пропускайте нежелательные символы, например. если вы хотите удалить все символы ascii, которые не являются буквами или цифрами
>>> newstring = [c for c in "a!1#b$2c%3\t\nx" if c in string.letters + string.digits]
>>> "".join(newstring)
'a1b2c3x'
или используйте string.translate для сопоставления одного char с другим или удаления некоторых символов, например.
>>> todelete = [ chr(i) for i in range(256) if chr(i) not in string.letters + string.digits ]
>>> todelete = "".join(todelete)
>>> "a!1#b$2c%3\t\nx".translate(None, todelete)
'a1b2c3x'
таким образом вам нужно рассчитать список todelete
один раз или todelete
может быть жестко закодирован один раз и использовать его везде, где вам нужно преобразовать строку
Также вы можете попробовать использовать isalpha и isnumeric методы следующим образом:
text = 'base, sample test;'
getVals = lambda x: (c for c in text if c.isalpha() or c.isnumeric())
map(lambda word: ' '.join(getVals(word)): text.split(' '))
вы можете использовать предопределенное регулярное выражение в python: \W
соответствует набору [^a-zA-Z0-9_]
. Тогда
import re
s = 'Hello dutrow 123'
re.sub('\W', '', s)
--> 'Hellodutrow123'
Вам нужно быть более конкретным:
A-Z
и A-Z
только в ASCII?0-9
? Как насчет десятичных дробей, разделителей и экспонентов?Он быстро становится сложным...
Отличным местом для начала является интерактивный сайт регулярных выражений, например RegExr
Вы также можете получить специфический для Python Python Regex Tool