使用 re 清理 word 文件，允许带有连字符和撇号的字母

【问题标题】：Using re to sanitize a word file, allowing letters with hyphens and apostrophes使用 re 清理 word 文件，允许带有连字符和撇号的字母
【发布时间】：2016-09-22 13:55:32
【问题描述】：

这是我目前所拥有的：

import re

def read_file(file):
    words = []
    for line in file:
        for word in line.split():
            words.append(re.sub("[^a-z]", "", word.lower()))

就目前而言，这会将“can't”读作“cant”，将“co-ordinate”读作“coordinate”。我想读单词，以便允许这两个标点符号。如何修改我的代码来做到这一点？

【问题讨论】：

试试这个re.sub(r"[^a-z\-']", "", word.lower())
@ritesht93 如果将连字符放在开头或结尾，则无需转义。

标签： python regex list file sanitization

【解决方案1】：

可以有两种方法：一种是 ritesht93 在对问题的评论中建议的，尽管我会使用

words.append(re.sub("[^-'a-z]+", "", word.lower()))
                       ^^    ^ - One or more occurrences to remove in one go
                        | - Apostrophe and hyphen added

+ 量词将一次性删除与模式匹配的不需要的字符。

请注意，连字符添加在否定字符类的开头，因此不必转义。 注意：如果其他不太精通正则表达式的开发人员稍后要维护它，仍然建议将其转义。

如果您有 Unicode 字母，第二种方法会很有帮助。

ur'((?![-'])[\W\d_])+'

查看regex demo（使用re.UNICODE 标志编译）

该模式匹配任何非字母（除了由于负前瞻(?![-'])而导致的连字符或撇号）、任何数字或下划线 ([\W\d_])

【讨论】：