仅在行尾删除连字符正则表达式 python r答案

【问题标题】：remove hyphenation at the end of line only regex python r仅在行尾删除连字符正则表达式 python r
【发布时间】：2021-03-01 23:09:18
【问题描述】：

我有一堆 PDF 文件（基于文本和扫描）来读取文本。在某些情况下，长词在行尾连字符。附上示例文本：

仅当这些连字符位于行尾时，我才需要清除它们。也就是说，我想保留所有标点符号和连字符，否则。所以在这个例子中，The-example-text 应该保持原样，但是在清除换行符和连字符之后，我想得到 Persönlichkeit、Gemeinschaft 和 Fähigkeiten 没有连字符和没有空格而不是连字符。

我在 R 中所做的是：

gsub("-\n\n|-\n|- \n", "", txt)

但这并不总是有效。这样做的优雅方式是什么？

【问题讨论】：

标签： python r regex

【解决方案1】：

您可以尝试摆弄gsubfn::gsubfn 来区分连字符是连接两个单词还是仅包含一个单词：

gsubfn(pattern = "-\\n\\s*[A-Z]?", replacement = function(x) {
  if (grepl(pattern = "[A-Z]", x = x)) {
    gsub("\\n\\s?|\\n\\s+", "", x)
  } else {
    gsub("-\\n\\s?", "", x)
  }
}, x = x)

【讨论】：

【解决方案2】：

这会为你做的：

-\s*$\s+

-\s*$ - 捕获-，在行尾带有可选空格
\s+ - 捕获破折号后的任何空格（包括新行）

在您的替换中，只需替换为空字符串即可。

如果上述内容在 R 中不兼容，那么这应该是每个 http://www.endmemo.com/r/gsub.php:

-[[:space:]]*$[[:space:]]+

https://regex101.com/r/hTaKYC/1

【讨论】：

在 R 中我不认为\s 被识别，应该替换为-[:blank:]*$
为什么你必须把\s放到一个字符类中？
@Onyambu Botched 编辑，它曾经是[\r\n]。虽然它是固定的......
@Alexlok yes \s 在 R 中被识别。R 默认使用 POXIS 引擎，并且在用户声明时也使用 PCRE。唯一的问题是您必须像在许多其他语言中一样转义反斜杠。
@Alexlok python 被标记，所以我认为这没问题。

【解决方案3】：

你可以试试这个

import re

# replace all '-\n','- \n', '-  \n', '-\n\n'
result = re.sub(r'- *\n+','', text)

【讨论】：

【解决方案4】：

删除后跟可选空格的任何连字符，然后是任意数量的行尾：

gsub("-\\h*\\R+", "", txt, perl=TRUE)
library(stringr)
stringr::str_replace_all(txt, "-\\h*\\R+", "")

见proof。

说明

--------------------------------------------------------------------------------
  -                        '-'
--------------------------------------------------------------------------------
  \h*                      horizontal whitespace, 0 or more times
--------------------------------------------------------------------------------
  \R+                      any line ending (1 or more times)

【讨论】：