正则表达式忽略特定字符

Question

我正在解析非字母数字字符的文本，并希望排除撇号，短划线/连字符和逗号等特定字符。

我想为以下情况构建一个正则表达式：

1. 非字母数字字符，不包括撇号和超量
2. 非字母数字字符，不包括逗号，撇号和超量

这是我尝试过的：

def split_text(text):
    my_text = re.split('\W',text)

    # the following doesn't work.
    #my_text = re.split('([A-Z]\w*)',text)
    #my_text = re.split("^[a-zA-Z0-9]+(-[a-zA-Z0-9]+)*$",text)

    return my_text

• 案例1 ：
  • 样本输入：怎么了？ 很高兴见到你我的朋友。 对世界“你好”！
  • 样本输出： ['什么'，'上'，'它是'，'好'，'到'，'看'，'你'，'我的朋友'，'你好'，'到''，'世界“]
• 案例2 ：
  • 样本输入：这意味着做这样的事情并不好。
  • 样本输出： ['它'，'表示'，'那个，'，'它'，'不'，'好到'，'做'，'这样'，'事物']

有任何想法吗

Answer 1

您可以使用否定的字符类 ：

my_text = re.split(r"[^\w'-]+",text)

要么

my_text = re.split(r"[^\w,'-]+",text)   # also excludes commas

Answer 2

这是你想要的吗？

非字母数字字符，不包括撇号和超量

my_text = re.split(r"[^\w'-]+",text)

非字母数字字符，不包括逗号，撇号和超量

my_text = re.split(r"[^\w-',]+",text)

[]语法定义了一个字符类， [^..] “补充”它，即它否定了它。

请参阅有关该文档的文档 ：

可以通过补充该组来匹配不在范围内的字符。 如果集合的第一个字符是 '^' ， 则将匹配集合中不包含的所有字符。 例如， [^5] 将匹配除 '5' 之外 '5' 任何字符 ， [^^] 将匹配除 '^' 之外 '^' 任何字符 。 ^ 有，如果它不是在集合的第一个字符没有特殊含义。