从Unicode字符串中去除特殊字符和标点符号

Question

我正在尝试从可能包含非ASCII字母的Unicode字符串中删除标点符号。 我尝试使用regex模块：

import regex
text = u"<Üäik>"
regex.sub(ur"\p{P}+", "", text)

但是，我注意到字符<和>不会被删除。 有谁知道为什么，还有其他方法可以从Unicode字符串中删除标点符号吗？

编辑：我尝试过的另一种方法是：

import string
text = text.encode("utf8").translate(None, string.punctuation).decode("utf8")

但我想避免将文本从unicode转换为字符串和向后转换。

Answer 1

<和>归为数学符号（Sm）而不是标点符号（P）。 您可以匹配：

regex.sub('[\p{P}\p{Sm}]+', '', text)

unicode.translate()方法也存在，并且使用字典将整数（代码点）映射到其他整数代码点，unicode字符或None ； None将删除该代码点。 使用ord() string.punctuation到代码点：

text.translate(dict.fromkeys(ord(c) for c in string.punctuation))

这样只会删除有限数量的ASCII标点符号。

演示：

>>> import regex
>>> text = u"<Üäik>"
>>> print regex.sub('[\p{P}\p{Sm}]+', '', text)
Üäik
>>> import string
>>> print text.translate(dict.fromkeys(ord(c) for c in string.punctuation))
Üäik

如果string.punctuation还不够，那么可以通过从0到sys.maxunicode迭代，为所有P和Sm代码点生成完整的str.translate()映射，然后针对unicodedata.category()测试这些值：

>>> import sys, unicodedata
>>> toremove = dict.fromkeys(i for i in range(0, sys.maxunicode + 1) if unicodedata.category(chr(i)).startswith(('P', 'Sm')))
>>> print text.translate(toremove)
Üäik

（对于Python 3，更换unicode与str ，并print ...与print(...))

Answer 2

尝试string模块

import string,re
text = u"<Üäik>"
out = re.sub('[%s]' % re.escape(string.punctuation), '', text)
print out
print type(out)

Prints-

Üäik
<type 'unicode'>

Answer 3

\\p{P}匹配标点符号。

这些标点符号是

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

<和>不是标点符号。 因此它们不会被删除。

试试这个

re.sub('[\p{L}<>]+',"",text)