正則表達式 <.*?>

Question

我是新來的Python，並一直在尋找的文字清潔的例子，如這對Kaggle，且對制止和停用詞部分的一些問題。

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？ 我知道它用於刪除 HTML 標簽，但我對<.*?>含義感到困惑。

Answer 1

<.*?>被稱為正則表達式模式。 該模式特別查找< ，然后是任意數量的字符.*后跟> 。 期間. 表示“任何字符”，星號*表示“0 次或多次”。 問號? *后面是惰性量詞，表示它應該使用盡可能少的字符。 這對於這樣的情況很重要：

<p> 2 > 1 </p>

如果問號不存在，則模式將匹配： <p> 2 > 1 </p>

而如果問題在那里，它會尋找 FIRST >跟在<像這樣： <p> 2 > 1 </p>這是期望的結果

Answer 2

這是一個正則表達式模式。 此圖案<.*?>指具有串<后跟任何字符（由點編碼）重復任意次數（由星形編碼），最后>星后問號是使其懶惰，即匹配在<之后遇到的第一個>處停止。

請參閱https://medium.com/factory-mind/regex-tutorial-a-simple-cheatsheet-by-examples-649dc1c3f285以了解有關正則表達式的更多信息。

其實可以

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

代替

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

否則cleanr = re.compile('<.*?>')應該在for循環之前進行優化。