如何去除多个空格、换行符和制表符，只在文本文件中放置一个空格？

Question

我有来自here 的莎士比亚的全部作品数据，我想在词嵌入算法中使用这些数据来创建模型。该模型的要求是整个文本只提供单个空格，并且不存在其他类型的空格。我该如何执行此操作？我找到了如何为单个字符串执行此操作，但它不适用于文本文件。

我的尝试（我对python不是很了解）：

with open(file_path, 'r') as data:
    for line in data:
        cleanedline = line.strip('\n')

cleanline 在打印时没有删除\n，所以我没有将它们写回文件中。

Answer 1

你可以试试正则表达式：

import re

with open(file_path) as data:
    text = re.sub(r'\s+', ' ', data.read())

\s+ 正则表达式模式将匹配一个或多个空白字符的任何序列。 re.sub() 会将匹配的文本替换为单个空格。

空格由空格、制表符、换行符、回车符、换页符、垂直制表符等字符组成。不包括标点符号。

不使用正则表达式的另一种方法是使用split()，然后使用join()：

with open(file_path) as data:
    text = ' '.join(data.read().split())