Python處理中文標(biāo)點符號大集合
中文文本中可能出現(xiàn)的標(biāo)點符號來源比較復(fù)雜,通過匹配等手段對他們處理的時候需要格外小心,防止遺漏。以下為在下處理中文標(biāo)點的時候采用的兩種方法:
中文標(biāo)點集合
比較常見標(biāo)點有這些:
?。?#65377;"?!纾ィΓВǎ?,-/:;<=>@[\]^_`{|}~⦅⦆「」、、〃》「」『』【】〔〕〖〗〘〙〚〛〜〝〞〟〰〾〿–—‘'‛“”„‟…‧﹏.
調(diào)用zhon包的zhon.hanzi.punctuation函數(shù)即可得到這些中文標(biāo)點。
如果想用英文的標(biāo)點,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)點符號去除,可以進行以下操作:
>>> import re >>> from zhon.hanzo import punctuation >>> line = "測試。。去除標(biāo)點。。" >>> 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,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)點符號
punctuation = """?。?#65377;"?!纾ィΓВǎ?;<=>@[\]^_`{|}~⦅⦆「」、、〃》「」『』【】〔〕〖〗〘〙〚〛〜〝〞〟〰〾〿–—‘'‛“”„‟…‧﹏""" 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)式里每遇到一個轉(zhuǎn)義字符還得挨個轉(zhuǎn)義的麻煩
最后可以組合成為一個函數(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?;<=>@[\]^_`{|}~⦅⦆「」、、〃》「」『』【】〔〕〖〗〘〙〚〛〜〝〞〟〰〾〿–—‘'‛“”„‟…‧﹏""" re_punctuation = "[{}]+".format(punctuation) line = re.sub(re_punctuation, "", line) return line.strip()
清洗完畢后,有時候我們希望按照多個標(biāo)點符號來分割
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!
相關(guān)文章
Python在for循環(huán)里處理大數(shù)據(jù)的推薦方法實例
這篇文章主要介紹了Python在for循環(huán)里處理大數(shù)據(jù)的推薦方法實例詳解,有需要的朋友可以借鑒參考下,希望能夠有所幫助,祝大家多多進步,早日升職加薪2024-01-01python實現(xiàn)web應(yīng)用框架之增加動態(tài)路由
這篇文章主要介紹web應(yīng)用框架如何添加動態(tài)路由,在我們編寫的框架中,我們添加動態(tài)路由,是使用了正則表達(dá)式,同時在注冊的時候,需要注明該路由是請求路由,文中有詳細(xì)的代碼示例,需要的朋友可以參考下2023-05-05關(guān)于python的list相關(guān)知識(推薦)
下面小編就為大家?guī)硪黄P(guān)于python的list相關(guān)知識(推薦)。小編覺得挺不錯的,現(xiàn)在就分享給大家,也給大家做個參考。一起跟隨小編過來看看吧2017-08-08Python configparser模塊封裝及構(gòu)造配置文件
這篇文章主要介紹了Python configparser模塊封裝及構(gòu)造配置文件,文中通過示例代碼介紹的非常詳細(xì),對大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價值,需要的朋友可以參考下2020-08-08