刪除python中的字符串中的特殊字符和符號

Question

我試圖做我的標題說。我有一個約3萬個企業地址列表，並且我正在儘可能使每個地址儘可能均勻。

至於去除奇怪的符號和字符，我發現了三個建議，但我不明白他們是如何不同的。

如果有人可以解釋這種差異，或提供洞察到更好的方式來標準化地址信息，請和謝謝！

address = re.sub(r'([^\s\w]|_)+', '', address) 

address = re.sub('[^a-zA-Z0-9-_*.]', '', address) 

address = re.sub(r'[^\w]', ' ', address) 

Answer 1

第一個建議使用\s和\w正則表達式通配符。

\s表示「匹配任何空格」。 \w表示「匹配任何字母或數字」。

這被用作反向捕獲組（[^\s\w]），它們一起表示「匹配任何非空白，字母或數字」。最後，它使用替代|與_進行組合，該替代將僅匹配下劃線並且給出匹配一次或多次的+量詞。

所以這是說：「匹配任何不是空格，字母，數字或下劃線的一個或多個字符的序列並將其刪除」。

第二個選項說：「匹配任何不是字母，數字，連字符，下劃線，圓點或星號的字符並將其刪除」。這是由那個大的捕獲小組（括號內的東西）說明的。

第三種選擇是「取出任何不是字母或數字並用空格替換的東西」。它使用通配符\w，我已經解釋過了。

所有的選項使用，以便匹配具有某些特徵的字符序列正則表達式，並且re.sub功能，這子 -stitutes任何由第二字符串參數由給定正則表達式匹配。

你可以在Python here中閱讀關於Regular Expressions的更多信息。

Answer 2

你怎麼看re.sub功能是這樣的（more docs）：

re.sub(a, b, my_string) # replace any matches of regex a with b in my_string 

我會與第二個去。正則表達式可能會很棘手，但這個說：

[^a-zA-Z0-9-_*.] # anything that's NOT a-z, A-Z, 0-9, -, * . 

這似乎就是你想要的。每當我使用正則表達式，我使用這個網站：

http://regexr.com/

你可以把你的一些投入，並確保他們在你的代碼投擲他們之前，選配合適的各種各樣的事情！

Answer 3

枚舉[^a-zA-Z0-9-_*.]正好枚舉要刪除的字符範圍（儘管文字-應位於字符類的開始或結尾處）。

\w被定義爲「字字符」，這在傳統的ASCII語言環境包括AZ和AZ以及數字和下劃線，但與支持Unicode，它重音字符相匹配，Cyrillics，日本表意文字等

\s匹配空格字符，這再次與Unicode包括一些擴展字符，如不可破壞的空間，數字空間等。

究竟要選擇哪一個顯然取決於你想要完成什麼和你的意思是「特殊的字符」。數字是 「符號」，所有的字符是 「特殊」 等

下面是the Python re documentation一個相關報價：

\ S

對於Unicode（STR）模式：

匹配Unicode空格字符（其中包括[ \t\n\r\f\v]，還有許多其他字符，例如人的排版規則強制的非空格空格y語言）。如果使用ASCII標誌，則只匹配[ \t\n\r\f\v]（但該標誌影響整個正則表達式，因此在這種情況下使用明確的[ \t\n\r\f\v]可能是更好的選擇）。

對於8位（字節）模式：

考慮空白ASCII字符集匹配的字符;這相當於[ \t\n\r\f\v]。

\ W

對於Unicode（STR）模式：

匹配的Unicode字符字;這包括大多數可以是任何語言的單詞的一部分的字符，以及數字和下劃線。如果使用ASCII標誌，則只匹配[a-zA-Z0-9_]（但標誌會影響整個正則表達式，因此在這種情況下使用明確的[a-zA-Z0-9_]可能是更好的選擇）。

對於8位（字節）模式：

認爲字母數字的ASCII字符集匹配的字符;這相當於[a-zA-Z0-9_]。