python - 从字符串中提取单词，删除标点符号并返回带有分隔单词的列表

Question

我想知道如何实现一个函数get_words()，它返回列表中字符串中的单词，去掉标点符号。

我希望如何实现它是将非 string.ascii_letters 替换为 '' 并返回一个 .split()。

def get_words(text):

    '''The function should take one argument which is a string'''

    returns text.split()

例如:

>>>get_words('Hello world, my name is...James!')

返回:

>>>['Hello', 'world', 'my', 'name', 'is', 'James']

Answer 1

这与拆分和标点无关；你只关心字母(和数字)，只需要一个正则表达式:

import re
def getWords(text):
    return re.compile('\w+').findall(text)

演示:

>>> re.compile('\w+').findall('Hello world, my name is...James the 2nd!')
['Hello', 'world', 'my', 'name', 'is', 'James', 'the', '2nd']

如果您不关心数字，请将 \w 替换为 [A-Za-z] 仅用于字母，或 [A-Za- z'] 来包含缩略语等。可能有更好的方法来包含字母非数字字符类(例如带重音的字母)和其他正则表达式。

---

我几乎在这里回答了这个问题:Split Strings with Multiple Delimiters?

但是您的问题实际上是未指定的:您是否希望将 'this is: an example' 拆分为:

• ['this', 'is', 'an', 'example']
• 或['this', 'is', 'an', '', 'example']?

我以为这是第一个案例。

---

[this', 'is', 'an', example'] is what i want. is there a method without importing regex? If we can just replace the non ascii_letters with '', then splitting the string into words in a list, would that work? – James Smith 2 mins ago

正则表达式是最优雅的，但是是的，你可以这样:

def getWords(text):
    """
        Returns a list of words, where a word is defined as a
        maximally connected substring of uppercase or lowercase
        alphabetic letters, as defined by "a".isalpha()

        >>> get_words('Hello world, my name is... Élise!')  # works in python3
        ['Hello', 'world', 'my', 'name', 'is', 'Élise']
    """
    return ''.join((c if c.isalnum() else ' ') for c in text).split()

或.isalpha()

---

旁注:您也可以执行以下操作，但需要导入另一个标准库:

from itertools import *

# groupby is generally always overkill and makes for unreadable code
# ... but is fun

def getWords(text):
    return [
        ''.join(chars)
            for isWord,chars in 
            groupby(' My name, is test!', lambda c:c.isalnum()) 
            if isWord
    ]

---

如果这是家庭作业，他们可能正在寻找一个命令式的东西，比如两态有限状态机，其中状态是“最后一个字符是字母”，如果状态从字母 -> 非字母变化，那么你输出一个词。不要那样做；这不是编程的好方法(尽管有时抽象很有用)。