如何删除两个分隔符之间的单词？

Question

我有一个嘈杂的数据..类似于

<@ """@$ FSDF >something something <more noise>

现在我只想提取"something something"。 有没有办法删除这两个分隔符 "<" 和 ">" 之间的文本？

Answer 1

使用regular expressions:

>>> import re
>>> s = '<@ """@$ FSDF >something something <more noise>'
>>> re.sub('<[^>]+>', '', s)
'something something '

[更新]

如果您尝试过像<.+> 这样的模式，其中点表示任何字符，加号表示一个或多个，您就会知道它不起作用。

>>> re.sub(r'<.+>', s, '')
''

为什么！？！发生这种情况是因为正则表达式默认情况下是“贪婪的”。该表达式将匹配字符串结尾之前的任何内容，包括> - 这不是我们想要的。我们想要匹配< 并在下一个> 处停止，所以我们使用[^x] 模式，意思是“除x 之外的任何字符”（x 是>）。

? 运算符将匹配变为“非贪婪”，因此具有相同的效果：

>>> re.sub(r'<.+?>', '', s)
'something something '

前一个更明确，这个少打字；请注意，x? 表示 x 出现 0 次或 1 次。

Answer 2

当然，你可以使用正则表达式。

import re
s = #your string here
t = re.sub('<.*?>', '', s)

上面的代码应该可以做到。

Answer 3

首先感谢 Paulo Scardine，我用你的 re 做了一件很棒的事。想法是让 LibreOffice po 文件无标签以用于打印目的。我制作了以下脚本，它将清理帮助文件以获得更小更容易的帮助文件。

import re
f = open('a.csv')
text = f.read()
f.close()

clean = re.sub('<[^>]+>', ' ', text)

f = open('b.csv', 'w')
f.write(clean)
f.close()

Answer 4

import re
my_str = '<@ """@$ FSDF >something something <more noise>'
re.sub('<.*?>', '', my_str)
'something something '

re.sub 函数采用正则表达式并将字符串中的所有匹配项替换为第二个参数。在这种情况下，我们正在搜索 < 和 > ('<.*?>') 之间的所有字符，并将它们替换为空 ('')。

? 在re 中用于非贪婪搜索。

更多关于re module。

---

如果“噪音”实际上是 html 标签，我建议你查看BeautifulSoup

Answer 5

为了兴趣，你可以写一些代码，例如：

with open('blah.txt','w') as f:
    f.write("""<sdgsa>one<as<>asfd<asdf>
<asdf>two<asjkdgai><iasj>three<fasdlojk>""")

def filter_line(line):
    count=0
    ignore=False
    result=[]
    for c in line:
        if c==">" and count==1:
            count=0
            ignore=False
        if not ignore:
            result.append(c)
        if c=="<" and count==0:
            ignore=True
            count=1
    return "".join(result)

with open('blah.txt') as f:
    print "".join(map(filter_line,f.readlines()))

>>> 
<>one<>asfd<>
<>two<><>three<>