用python和re清理文本

Question

我需要清理一些文本，如下面的代码所示：

import re
def clean_text(text):
    text = text.lower()
    #foction de replacement
    text = re.sub(r"i'm","i am",text)
    text = re.sub(r"she's","she is",text)
    text = re.sub(r"can't","cannot",text)
    text = re.sub(r"[-()\"#/@;:<>{}-=~|.?,]","",text)
    return text

clean_questions= []
for question in questions: 
    clean_questions.append(clean_text(question))

并且这段代码必须给我questions 列表干净但我得到干净的questions 为空。我重新打开了spyder，列表已满，但没有被清理，然后重新打开它，我把它弄空了.. 控制台错误说：

In [10] :clean_questions= [] 
   ...: for question in questions: 
   ...: clean_questions.append(clean_text(question))
Traceback (most recent call last):

  File "<ipython-input-6-d1c7ac95a43f>", line 3, in <module>
    clean_questions.append(clean_text(question))

  File "<ipython-input-5-8f5da8f003ac>", line 16, in clean_text
    text = re.sub(r"[-()\"#/@;:<>{}-=~|.?,]","",text)

  File "C:\Users\hp\Anaconda3\lib\re.py", line 192, in sub
    return _compile(pattern, flags).sub(repl, string, count)

  File "C:\Users\hp\Anaconda3\lib\re.py", line 286, in _compile
   p = sre_compile.compile(pattern, flags)

  File "C:\Users\hp\Anaconda3\lib\sre_compile.py", line 764, in compile
    p = sre_parse.parse(p, flags)

  File "C:\Users\hp\Anaconda3\lib\sre_parse.py", line 930, in parse
    p = _parse_sub(source, pattern, flags & SRE_FLAG_VERBOSE, 0)

  File "C:\Users\hp\Anaconda3\lib\sre_parse.py", line 426, in _parse_sub
    not nested and not items))

  File "C:\Users\hp\Anaconda3\lib\sre_parse.py", line 580, in _parse
    raise source.error(msg, len(this) + 1 + len(that))

error: bad character range }-=

我使用的是 Python 3.6，特别是 Anaconda 构建版 Anaconda3-2018.12-Windows-x86_64。

Answer 1

您的字符类（如回溯中所示）无效； } 在序数值中位于 = 之后（} 是 125，= 是 61），它们之间的 - 意味着它正在尝试匹配从 } 的序数到 @987654329 的任何字符@'s 和介于两者之间。由于字符范围必须从低序数到高序数，125->61 是无意义的，因此错误。

在某种程度上你很幸运；如果 - 周围的字符被颠倒了，例如=-}，您已经默默地删除了从序数 61 到 125（含）的所有字符，这将包括所有标准 ASCII 字母（包括小写和大写）以及一堆标点符号。

您可以通过删除角色类中的第二个- 来解决此问题（您已经将它包含在不需要转义的类的开头），从

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

到

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

但我建议在这里删除正则表达式；大量文字标点符号出错的风险很高，还有其他方法根本不涉及正则表达式，它们应该可以正常工作，并且如果你逃脱了所有重要的东西也不会让你担心（替代方法是过度转义，这使得正则表达式不可读，并且仍然容易出错）。

改为将该行替换为a simple str.translate call。首先，在函数之外，make a translation table of the things to remove：

# The redundant - is harmless here since the result is a dict which dedupes anyway
killpunctuation = str.maketrans('', '', r"-()\"#/@;:<>{}-=~|.?,")

然后换行：

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

与：

text = text.translate(killpunctuation)

它的运行速度至少应该与正则表达式一样快（可能更快），而且它更不容易出错，因为没有字符具有特殊含义（翻译表只是从 Unicode 序数到 None 的映射，意味着删除，另一个ordinal，表示单个字符替换，或字符串，表示 char -> multichar 替换；它们没有特殊转义的概念）。如果目标是消除所有 ASCII 标点符号，您可能最好使用 string 模块常量来定义翻译表（这也使代码更具自我记录性，因此人们不会怀疑您是否要删除所有或只是一些标点符号，以及是否是故意的）：

import string
killpunctuation = str.maketrans('', '', string.punctuation)

碰巧的是，您现有的字符串并没有删除所有标点符号（它遗漏了^、!、$ 等），因此此更改可能不正确，但如果它是对的，一定能做到。如果它应该是标点符号的子集，您肯定要添加关于如何选择标点符号的注释，这样维护人员就不会怀疑您是否犯了错误。

Answer 2

像我一样使用它

def clean_text(text):
    text = text.lower()
    text = re.sub('\[.*?\]', '', text)
    text = re.sub('https?://\S+|www\.\S+', '', text)
    text = re.sub('<.*?>+', '', text)
    text = re.sub('[%s]' % re.escape(string.punctuation), '', text)
    text = re.sub('\n', '', text)
    text = re.sub('\w*\d\w*', '', text)
    return text

Answer 3

您需要正确转义特殊字符并用方括号括起来

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

一个更通用的正则表达式用于特殊字符（即不是字母或数字）是

[^a-zA-Z0-9]