正则表达式 <.*?>

Question

我是新来的Python，并一直在寻找的文字清洁的例子，如这对Kaggle，且对制止和停用词部分的一些问题。

for sentence in final_X:
  sentence = sentence.lower()                 # Converting to lowercase
  cleanr = re.compile('<.*?>')
  sentence = re.sub(cleanr, ' ', sentence)        #Removing HTML tags
  sentence = re.sub(r'[?|!|\'|"|#]',r'',sentence)
  sentence = re.sub(r'[.|,|)|(|\|/]',r' ',sentence)        #Removing Punctuations

cleanr = re.compile('<.*?>')是什么意思？ 我知道它用于删除 HTML 标签，但我对<.*?>含义感到困惑。

Answer 1

<.*?>被称为正则表达式模式。 该模式特别查找< ，然后是任意数量的字符.*后跟> 。 期间. 表示“任何字符”，星号*表示“0 次或多次”。 问号? *后面是惰性量词，表示它应该使用尽可能少的字符。 这对于这样的情况很重要：

<p> 2 > 1 </p>

如果问号不存在，则模式将匹配： <p> 2 > 1 </p>

而如果问题在那里，它会寻找 FIRST >跟在<像这样： <p> 2 > 1 </p>这是期望的结果

Answer 2

这是一个正则表达式模式。 此图案<.*?>指具有串<后跟任何字符（由点编码）重复任意次数（由星形编码），最后>星后问号是使其懒惰，即匹配在<之后遇到的第一个>处停止。

请参阅https://medium.com/factory-mind/regex-tutorial-a-simple-cheatsheet-by-examples-649dc1c3f285以了解有关正则表达式的更多信息。

其实可以

sentence = re.sub('<.*?>', ' ', sentence)

代替

cleanr = re.compile('<.*?>')
sentence = re.sub(cleanr, ' ', sentence)

否则cleanr = re.compile('<.*?>')应该在for循环之前进行优化。