[英]Python Regex sentence filtering
我正在尝试过滤以下句子
'I'm using C++ in high-tech applications!', said peter (in a confident way)
变成自己的话
I'm using C++ in high-tech applications said peter in a confident way
我到目前为止所拥有的是
parsing=re.findall(r"\w+(?:[-']\w+)*|'|[-.(]+|\S\w*",text)
' '.join(w for w in parsing if w not in string.punctuation)
但这会产生
I'm using C in high-tech applications said peter in a confident way
因此,“ C ++”错误地变成了“ C”,因为“ +”在string。标点中。 无论如何,我是否可以修改正则表达式代码以允许不对'+'进行标记化? 任何其他获得所需输出的方法都将受到欢迎,谢谢!
只需使用(\\w|\\+)
而不是\\w
。 这将同时使用文字字符和加号。
另外,您可以使用[a-zA-Z+]
或理想情况下使用[\\w+]
如Kyle Strand所建议。
与C0deH4cker的答案类似,但稍微简单一点,用[\\w+]
替换\\w
所有实例。
>>> parsing=re.findall(r"[\w+]+(?:[-'][\w+]+)*|'|[-.(]+|\S[\w+]*",text)
>>> parsing
["'", "I'm", 'using', 'C++', 'in', 'high-tech', 'applications', '!', "'", ',', 'said', 'peter', '(', 'in', 'a', 'confident', 'way', ')']
>>> ' '.join(w for w in parsing if w not in string.punctuation)
"I'm using C++ in high-tech applications said peter in a confident way"
请注意,您原始的解决方案将“ C ++”分为三个不同的标记,因此即使从string.punctuation
排除+
也无法解决您的问题:
>>> parsing=re.findall(r"\w+(?:[-']\w+)*|'|[-.(]+|\S\w*",text)
>>> parsing
["'", "I'm", 'using', 'C', '+', '+', 'in', 'high-tech', 'applications', '!', "'", ',', 'said', 'r', '(', 'in', 'a', 'confident', 'way', ')']
声明:本站的技术帖子网页,遵循CC BY-SA 4.0协议,如果您需要转载,请注明本站网址或者原文地址。任何问题请咨询:yoyou2525@163.com.