从字符串中删除所有特殊字符、标点符号和空格

Question

我需要从字符串中删除所有特殊字符、标点符号和空格，以便我只有字母和数字。

Answer 1

10 年后，我在下面写了最好的解决方案。 您可以从字符串中删除/清除所有特殊字符、标点符号、ASCII 字符和空格。

from clean_text import clean

string = 'Special $#! characters   spaces 888323'
new = clean(string,lower=False,no_currency_symbols=True, no_punct = True,replace_with_currency_symbol='')
print(new)
Output ==> 'Special characters spaces 888323'
you can replace space if you want.
update = new.replace(' ','')
print(update)
Output ==> 'Specialcharactersspaces888323'

Answer 2

TLDR

我为提供的答案计时。

import re
re.sub('\W+','', string)

通常比第二快提供的最佳答案快 3 倍。

使用此选项时应小心。使用此方法可能无法对某些特殊字符（例如 ø）进行条带化。

---

看到这一点后，我有兴趣通过找出哪些执行时间最短来扩展提供的答案，因此我通过timeit 对照两个示例字符串检查了一些建议的答案：

• string1 = 'Special $#! characters spaces 888323'
• string2 = 'how much for the maple syrup? $20.99? That s ridiculous!!!'

示例 1

'.join(e for e in string if e.isalnum())

• string1 - 结果：10.7061979771
• string2 - 结果：7.78372597694

示例 2

import re
re.sub('[^A-Za-z0-9]+', '', string)

• string1 - 结果：7.10785102844
• string2 - 结果：4.12814903259

示例 3

import re
re.sub('\W+','', string)

• string1 - 结果：3.11899876595
• string2 - 结果：2.78014397621

以上结果是平均返回结果最低的乘积：repeat(3, 2000000)

示例 3 可以比 示例 1 快 3 倍。

Answer 3

这将从字符串中删除所有特殊字符、标点符号和空格，并且只包含数字和字母。

import re

sample_str = "Hel&&lo %% Wo$#rl@d"

# using isalnum()
print("".join(k for k in sample_str if k.isalnum()))


# using regex
op2 = re.sub("[^A-Za-z]", "", sample_str)
print(f"op2 = ", op2)


special_char_list = ["$", "@", "#", "&", "%"]

# using list comprehension
op1 = "".join([k for k in sample_str if k not in special_char_list])
print(f"op1 = ", op1)


# using lambda function
op3 = "".join(filter(lambda x: x not in special_char_list, sample_str))
print(f"op3 = ", op3)

Answer 4

这将删除除空格以外的所有非字母数字字符。

string = "Special $#! characters   spaces 888323"
''.join(e for e in string if (e.isalnum() or e.isspace()))

特殊字符空格 888323

Answer 5

对于其他语言，如德语、西班牙语、丹麦语、法语等包含特殊字符（如德语“Umlaute”为ü、ä、ö），只需将这些添加到正则表达式搜索字符串：

德语示例：

re.sub('[^A-ZÜÖÄa-z0-9]+', '', mystring)

Answer 6

string.punctuation 包含以下字符：

'!"#$%&\'()*+,-./:;?@[\]^_`{|}~'

您可以使用 translate 和 maketrans 函数将标点符号映射到空值（替换）

import string

'This, is. A test!'.translate(str.maketrans('', '', string.punctuation))

输出：

'This is A test'

Answer 7

这是一个匹配非字母或数字的字符串的正则表达式：

[^A-Za-z0-9]+

这是执行正则表达式替换的 Python 命令：

re.sub('[^A-Za-z0-9]+', '', mystring)

Answer 8

这可以在没有正则表达式的情况下完成：

>>> string = "Special $#! characters   spaces 888323"
>>> ''.join(e for e in string if e.isalnum())
'Specialcharactersspaces888323'

你可以使用str.isalnum:

S.isalnum() -> bool

Return True if all characters in S are alphanumeric
and there is at least one character in S, False otherwise.

如果您坚持使用正则表达式，其他解决方案也可以。但是请注意，如果它可以在不使用正则表达式的情况下完成，那是最好的方法。

Answer 9

Python 2.*

我认为 filter(str.isalnum, string) 有效

In [20]: filter(str.isalnum, 'string with special chars like !,#$% etcs.')
Out[20]: 'stringwithspecialcharslikeetcs'

Python 3.*

在 Python3 中，filter( ) 函数将返回一个可迭代对象（而不是与上面不同的字符串）。必须重新加入才能从 itertable 中获取字符串：

''.join(filter(str.isalnum, string)) 

或者通过list加入使用（not sure but can be fast a bit）

''.join([*filter(str.isalnum, string)])

注意：在[*args] 中解包从Python >= 3.5 有效

Answer 10

与使用正则表达式的其他人不同，我会尝试排除所有不是我想要的字符，而不是明确列举我不想要的。

例如，如果我只想要从“a 到 z”（大写和小写）和数字的字符，我会排除其他所有字符：

import re
s = re.sub(r"[^a-zA-Z0-9]","",s)

这意味着“用一个空字符串替换每个不是数字的字符，或者'a to z'或'A to Z'范围内的字符”。

事实上，如果你在你的正则表达式的第一个位置插入特殊字符^，你会得到否定。

额外提示：如果您还需要小写结果，则可以使正则表达式更快更容易，只要您现在找不到任何大写即可。

import re
s = re.sub(r"[^a-z0-9]","",s.lower())

Answer 11

import re
my_string = """Strings are amongst the most popular data types in Python. We can create the strings by enclosing characters in quotes. Python treats single quotes the 

同双引号。"""

# if we need to count the word python that ends with or without ',' or '.' at end

count = 0
for i in text:
    if i.endswith("."):
        text[count] = re.sub("^([a-z]+)(.)?$", r"\1", i)
    count += 1
print("The count of Python : ", text.count("python"))

Answer 12

s = re.sub(r"[-()\"#/@;:<>{}`+=~|.!?,]", "", s)

Answer 13

使用翻译：

import string

def clean(instr):
    return instr.translate(None, string.punctuation + ' ')

警告：仅适用于 ascii 字符串。

Answer 14

import re
abc = "askhnl#$%askdjalsdk"
ddd = abc.replace("#$%","")
print (ddd)

你会看到你的结果

'askhnlaskdjalsdk

Answer 15

更短的方式：

import re
cleanString = re.sub('\W+','', string )

如果您希望单词和数字之间有空格，请将 '' 替换为 ' '

Answer 16

#!/usr/bin/python
import re

strs = "how much for the maple syrup? $20.99? That's ricidulous!!!"
print strs
nstr = re.sub(r'[?|$|.|!]',r'',strs)
print nstr
nestr = re.sub(r'[^a-zA-Z0-9 ]',r'',nstr)
print nestr

您可以添加更多特殊字符，将被替换为 '' 没有任何意义，即它们将被删除。

Answer 17

最通用的方法是使用对每个字符进行分类的 unicodedata 表的“类别”。例如。以下代码仅根据类别过滤可打印字符：

import unicodedata
# strip of crap characters (based on the Unicode database
# categorization:
# http://www.sql-und-xml.de/unicode-database/#kategorien

PRINTABLE = set(('Lu', 'Ll', 'Nd', 'Zs'))

def filter_non_printable(s):
    result = []
    ws_last = False
    for c in s:
        c = unicodedata.category(c) in PRINTABLE and c or u'#'
        result.append(c)
    return u''.join(result).replace(u'#', u' ')

查看上面给出的所有相关类别的 URL。你当然也可以过滤 按标点符号分类。

Answer 18

假设您想要使用正则表达式并且您想要/需要 2to3-ready 的 Unicode 认知 2.x 代码：

>>> import re
>>> rx = re.compile(u'[\W_]+', re.UNICODE)
>>> data = u''.join(unichr(i) for i in range(256))
>>> rx.sub(u'', data)
u'0123456789ABCDEFGHIJKLMNOPQRSTUVWXYZabcdefghijklmnopqrstuvwxyz\xaa\xb2 [snip] \xfe\xff'
>>>