快捷導(dǎo)航

Python處理中文標(biāo)點(diǎn)符號大集合

更新時(shí)間：2018年05月14日 10:31:30 投稿：mrr

中文文本中可能出現(xiàn)的標(biāo)點(diǎn)符號來源比較復(fù)雜，通過匹配等手段對他們處理的時(shí)候需要格外小心，防止遺漏，下面小編給大家?guī)砹薖ython處理中文標(biāo)點(diǎn)符號大集合，感興趣的朋友跟隨腳本之家小編一起看看吧

中文文本中可能出現(xiàn)的標(biāo)點(diǎn)符號來源比較復(fù)雜，通過匹配等手段對他們處理的時(shí)候需要格外小心，防止遺漏。以下為在下處理中文標(biāo)點(diǎn)的時(shí)候采用的兩種方法:

中文標(biāo)點(diǎn)集合

比較常見標(biāo)點(diǎn)有這些：

??？｡＂＃＄％＆＇（）＊＋，－／：；＜＝＞＠［＼］＾＿｀｛｜｝～｟｠｢｣､、〃》「」『』【】〔〕〖〗〘〙〚〛〜〝〞〟〰〾〿–—‘'‛“”„‟…‧﹏.

調(diào)用zhon包的zhon.hanzi.punctuation函數(shù)即可得到這些中文標(biāo)點(diǎn)。

如果想用英文的標(biāo)點(diǎn)，則可調(diào)用string包的string.punctuation函數(shù)可得到：

!"#$%&\'()*+,-./:;<=>?@[\\]^_`{|}~

因此，比如需要將所有標(biāo)點(diǎn)符號去除，可以進(jìn)行以下操作：

>>> import re
>>> from zhon.hanzo import punctuation
>>> line = "測試。。去除標(biāo)點(diǎn)。。"
>>> print re.sub("[{}]+".format(punctuation), "", line.decode("utf-8")) # 需要將str轉(zhuǎn)換為unicode

當(dāng)然，如果想去除重復(fù)的符號而只保留一個(gè)，那么可以用\1指明：比如

>>> re.sub(ur"([{}])+".format(punctuation), "\1", line.decode("utf-8"))

你也可以手工指定這些標(biāo)點(diǎn)符號

punctuation = """??？｡＂＃＄％＆＇（）＊＋－／：；＜＝＞＠［＼］＾＿｀｛｜｝～｟｠｢｣､、〃》「」『』【】〔〕〖〗〘〙〚〛〜〝〞〟〰〾〿–—‘'‛“”„‟…‧﹏"""
re_punctuation = "[{}]+".format(punctuation)
line = re.sub(re_punctuation, "", line)

可以通過直接指定unicode碼范圍的辦法來strip，比如:

去除所有半角全角符號，只留字母、數(shù)字、中文

def remove_punctuation(line):
  rule = re.compile(ur"[^a-zA-Z0-9\u4e00-\u9fa5]")
  line = rule.sub('',line)
  return line

漢字的范圍為”\u4e00-\u9fa5“，這個(gè)是用Unicode表示的，所以前面必須要加”u“；字符”r“的意思是表示忽略后面的轉(zhuǎn)義字符，這樣簡化了后面正則表達(dá)式里每遇到一個(gè)轉(zhuǎn)義字符還得挨個(gè)轉(zhuǎn)義的麻煩

最后可以組合成為一個(gè)函數(shù)

def remove_punctuation(line, strip_all=True):
  if strip_all:
    rule = re.compile(ur"[^a-zA-Z0-9\u4e00-\u9fa5]")
    line = rule.sub('',line)
  else:
    punctuation = """?。?#65377;＂?！纾ィΓВǎ海唬迹剑荆溃郏埽荩蓿撸啵?#65375;｠｢｣､、〃》「」『』【】〔〕〖〗〘〙〚〛〜〝〞〟〰〾〿–—‘'‛“”„‟…‧﹏"""
    re_punctuation = "[{}]+".format(punctuation)
    line = re.sub(re_punctuation, "", line)
  return line.strip()

清洗完畢后，有時(shí)候我們希望按照多個(gè)標(biāo)點(diǎn)符號來分割

比如只要遇到中文或英文的逗號和句號等符號就分割，可以直接用translate把這些符號翻譯為統(tǒng)一的分隔符，再split:

strip_chars = '？"。.，,《》[]〖〗“”'
single_line = single_line.translate(str.maketrans(dict.fromkeys(strip_chars, '#')))
single_line = single_line.split('#')

總結(jié)

以上所述是小編給大家介紹的Python處理中文標(biāo)點(diǎn)符號大集合，希望對大家有所幫助，如果大家有任何疑問請給我留言，小編會及時(shí)回復(fù)大家的。在此也非常感謝大家對腳本之家網(wǎng)站的支持！

您可能感興趣的文章: