python - 从 unicode 字符串中删除选定的标点符号

Question

我正在使用一组 unicode 字符串并使用以下代码段(如 Remove punctuation from Unicode formatted strings 中所示):

import regex

def punc(text):
    return regex.sub(ur"\p{P}+", " ", text)

我想更进一步，尝试有选择地保留某些标点符号。例如，不需要从 unicode 字符串中删除 -。最好的方法是什么？提前致谢! :)

Answer 1

您可以否定 \p{P}与 \P{P}然后将其与您想要保留的任何字符一起放入否定字符类( [^…] )中，如下所示:

return regex.sub(ur"[^\P{P}-]+", " ", text)

这将匹配 \p{P} 中的一个或多个任意字符除了那些也在字符类中定义的。

请记住-是字符类中的特殊字符。如果它没有出现在字符类的开头或结尾，您可能需要对其进行转义。

---

另一种解决方案是使用负前瞻 ( (?!…) ) 或负后瞻 ( (?<!…) )

return regex.sub(ur"((?!-)\p{P})+", " ", text)

return regex.sub(ur"(\p{P}(?<!-))+", " ", text)

但是对于这样的事情，我建议使用字符类。