python - 新行字符导致文本清理期间单词分解

Question

我正在尝试使用Python清理一些文本以供进一步使用。下面是一个输入文本示例:

已同意-\n以书面形式\n在契约(Contract)或协议(protocol)中保证\n

现在我希望输出是:

已在契约(Contract)或协议(protocol)中以书面形式同意受保人

但是空白导致了问题。我尝试了两种不同的逻辑来实现所需的输出，但一个适用于某些单词，不适用于其他单词，第二个逻辑适用于某些单词，但不适用于其他单词>.

这是我尝试过的两种逻辑:-

逻辑1:-

x =“已在契约(Contract)或协议(protocol)中书面同意\n确保\n”

#remove everything except alphabets and whitespaces
v = re.sub(r"[^\w\s.?!]", "", v)
#remove single whitespaces
v = v.replace("\n", "")
#remove extra whitespaces
v = re.sub(r"\s+", " ", v, flags=re.I)

这会产生以下输出:

在契约(Contract)或协议(protocol)中书面同意被保险人为个人

如您所见，单词 in-\nsured、per-\nson 已被正确清理，但单词 as\nan 和in\nwriting尚未清理。因此，为了解决这个问题，我尝试了以下逻辑:

逻辑2:-

v = re.sub(r"[^\w\s.?!]", "", v)    
v = v.replace("\n", " ")     <----This line has been changed (" " instead of "")
v = re.sub(r"\s+", " ", v, flags=re.I)

这给出了以下输出:

已在契约(Contract)或协议(protocol)中以书面形式同意被保险人

单词 as\nan 和 in\nwriting 已被清理，但这会弄乱 in-\nsured 和 per -\nson单词。

如何解决这个问题？

提前致谢!

Answer 1

通过简单的字符串替换，这似乎很容易。连字符后跟换行符是单个单词，因此只需删除它们即可。然后任何其他剩余的换行符都可以被空格替换。因此:

s = 'have agreed in-\nsured as\nan per-\nson in\nwriting in a contract or agreement'
fixed = s.replace('-\n', '').replace('\n', ' ')
# 'have agreed insured as an person in writing in a contract or agreement'