正则表达式匹配除标点符号以外的所有非单词？

Question

对于像这样的句子：

sent = "This i$s a s[[]ample sentence.\nAnd another <<one>>.
        \nMoreover, it is 'filtered'!"

我想得到：

"This is a sample sentence. And another one. Moreover, it is filtered."

因此，我认为使用re.sub 应该是要走的路。然而，RegEx 并没有按预期工作（就像它几乎总是这样^^）。

我的想法是使用\W 匹配每个非单词，然后排除[.,;!?] 以保留标点符号。我尝试的最后一个正则表达式是：

re.sub(r"(\W[^\.\,\;\?\!])", "", sent)

不幸的是，[^\.\,\;\?\!] 确实匹配不包含[.,;!?] 条目的任何内容，而不是简单地说“不要不按字面意思匹配这些字符”。

如何从匹配中排除这些字符？

Answer 1

\W 需要集成到否定字符类中。 \W 与 [^\w] 相同，所以你最终会得到 [^\w.,;!?]。您应该重复此字符类，以在一个步骤中匹配连续出现 - [^\w.,;!?]+。

您似乎也想保留空格，因此您应该将它们添加到您的角色类中。

深入了解您的问题，您还想用空格替换换行符，用. 替换!。这使它成为一个多步骤的解决方案。首先过滤掉任何不需要的[^\w.,;!? \n]+，在下一步中将\n 替换为，将! 替换为.。