从 unicode 字符串中删除选定的标点符号答案

【问题标题】：Remove selected punctuation from unicode strings从 unicode 字符串中删除选定的标点符号
【发布时间】：2014-08-29 12:01:50
【问题描述】：

我正在使用一组 unicode 字符串并使用以下代码（如 Remove punctuation from Unicode formatted strings 所示）：

import regex

def punc(text):
    return regex.sub(ur"\p{P}+", " ", text)

我想更进一步，尝试有选择地保留某些标点符号。例如 - 不需要从 unicode 字符串中删除。最好的方法是什么？提前致谢！ :)

【问题讨论】：

【解决方案1】：

您可以将\p{P} 与\P{P} 取反，然后将其与您想要保留的任何字符一起放入取反字符类（[^…]）中，如下所示：

return regex.sub(ur"[^\P{P}-]+", " ", text)

这将匹配\p{P} 中的一个或多个任意字符，除了那些也在字符类中定义的字符。

请记住，- 是字符类中的一个特殊字符。如果它没有出现在字符类的开头或结尾，您可能需要转义它。

另一种解决方案是使用负前瞻 ((?!…)) 或负后瞻 ((?<!…))

return regex.sub(ur"((?!-)\p{P})+", " ", text)

return regex.sub(ur"(\p{P}(?<!-))+", " ", text)

但对于这样的事情，我会推荐字符类。

【讨论】：

【解决方案2】：

您可以为此使用character class：

def punc(text):
    return regex.sub(ur"[^\P{P}-]+", " ", text)

诀窍是否定字符类（[^a] 匹配任何除了 a）并使用否定的 Unicode 属性：

【讨论】：