【python2】正则表达式-中文标点
2017-08-27 23:26
267 查看
# -*- coding:utf-8 -*-
import re
#r代表原始符号,不需要进行转义,不然需要加\代表原始符号
#u代表utf8编码 u"[。,!?‘“]+" 和"[,。?]+".decode('utf8') 效果相同
regex = re.compile(ur"[。,!?‘“]")
line = "测试。,。去除标点。,是吗?"
reg = re.compile("[\u3002\uff1b\uff0c\uff1a\u201c\u201d\uff08\uff09\u3001\uff1f\u300a\u300b]")#此句在去除标点方面实验发现未起到作用。
word =[]
string = re.sub("[,。?]+".decode('utf8'),''.decode('utf8'),line.decode('utf8'))#将line里面的标点用空格代替
print string
print 'regex:',(regex.sub(' ',line.decode('utf8'))) #将line里面的标点用空格代替
word.append(re.split(r"[。,?]+".decode('utf8'),line.decode('utf-8')))
#** 此句的word是一个二维数组,因此并不会以汉字形式显示,可以与下面的wc比较,wc是一维的,会以汉字形式显示
wc=re.split(r"[。,?]+".decode('utf8'),line.decode('utf-8'))
print 'wc:',wc
print len(wc)
for i in range(len(wc)):
print wc[i]
punc = r"!?。"#$%&'()*+,-/:;<=>@[\]^_`{|}~⦅⦆「」、、〃》「」『』【】〔〕〖〗〘〙〚〛〜〝〞〟〰〾〿–—‘’‛“”„‟…‧﹏."
punc = punc.decode("utf-8")
print re.sub("[%s]+" %punc, ''.decode('utf8'),line.decode('utf8'))
print re.split("[%s]+"%punc,line.decode('utf8'))
# ** split之后变成一个列表形式,汉字在列表中只能以Unicode表示,单拿出来可以以汉字形式显示,可以参见wc
结果:
string: 测试去除标点是吗
regex: 测试 去除标点 是吗
word: [[u'\u6d4b\u8bd5\u3002\uff0c\u3002\u53bb\u9664\u6807\u70b9\u3002\uff0c\u662f\u5417\uff1f']]
wc: [u'\u6d4b\u8bd5', u'\u53bb\u9664\u6807\u70b9', u'\u662f\u5417', u'']
len(wc): 4
wci: 测试
wci: 去除标点
wci: 是吗
wci:
resub;: 测试去除标点是吗
[u'\u6d4b\u8bd5', u'\u53bb\u9664\u6807\u70b9', u'\u662f\u5417', u'']
import re
#r代表原始符号,不需要进行转义,不然需要加\代表原始符号
#u代表utf8编码 u"[。,!?‘“]+" 和"[,。?]+".decode('utf8') 效果相同
regex = re.compile(ur"[。,!?‘“]")
line = "测试。,。去除标点。,是吗?"
reg = re.compile("[\u3002\uff1b\uff0c\uff1a\u201c\u201d\uff08\uff09\u3001\uff1f\u300a\u300b]")#此句在去除标点方面实验发现未起到作用。
word =[]
string = re.sub("[,。?]+".decode('utf8'),''.decode('utf8'),line.decode('utf8'))#将line里面的标点用空格代替
print string
print 'regex:',(regex.sub(' ',line.decode('utf8'))) #将line里面的标点用空格代替
word.append(re.split(r"[。,?]+".decode('utf8'),line.decode('utf-8')))
#** 此句的word是一个二维数组,因此并不会以汉字形式显示,可以与下面的wc比较,wc是一维的,会以汉字形式显示
wc=re.split(r"[。,?]+".decode('utf8'),line.decode('utf-8'))
print 'wc:',wc
print len(wc)
for i in range(len(wc)):
print wc[i]
punc = r"!?。"#$%&'()*+,-/:;<=>@[\]^_`{|}~⦅⦆「」、、〃》「」『』【】〔〕〖〗〘〙〚〛〜〝〞〟〰〾〿–—‘’‛“”„‟…‧﹏."
punc = punc.decode("utf-8")
print re.sub("[%s]+" %punc, ''.decode('utf8'),line.decode('utf8'))
print re.split("[%s]+"%punc,line.decode('utf8'))
# ** split之后变成一个列表形式,汉字在列表中只能以Unicode表示,单拿出来可以以汉字形式显示,可以参见wc
结果:
string: 测试去除标点是吗
regex: 测试 去除标点 是吗
word: [[u'\u6d4b\u8bd5\u3002\uff0c\u3002\u53bb\u9664\u6807\u70b9\u3002\uff0c\u662f\u5417\uff1f']]
wc: [u'\u6d4b\u8bd5', u'\u53bb\u9664\u6807\u70b9', u'\u662f\u5417', u'']
len(wc): 4
wci: 测试
wci: 去除标点
wci: 是吗
wci:
resub;: 测试去除标点是吗
[u'\u6d4b\u8bd5', u'\u53bb\u9664\u6807\u70b9', u'\u662f\u5417', u'']
相关文章推荐
- python 在中文中找出英文单词 正则表达式实例
- Python中正则表达式对中文的匹配问题
- python用正则表达式替换掉汉字、标点等指定字符以外的特殊字符
- python正则表达式匹配中文
- Python正则表达式处理中文中的匹配
- Python中使用中文正则表达式匹配指定的中文字符串
- python 正则表达式筛选中文数字处理
- 正则表达式匹配中文字符及标点
- [转]Python正则表达式中匹配GBK/UTF-8编码中文字符_绝冬之地_百度空间
- python 正则表达式匹配中文
- Python正则表达式---全部能匹配的子串迭代器finditer及findall及以中文匹配部分中文
- python爬虫学习(1)--关于正则表达式输入和提取中文
- Python中正则表达式对中文的匹配问题
- python正则表达式匹配中文
- python 正则表达式匹配中文
- Python正则表达式匹配中文
- Python正则表达式匹配中文
- PYTHON解析中文的正则表达式
- 用python3.x正则表达式匹配中文字符串
- 【Regex】初试Python下的中文正则表达式