Python正则表达式 re.sub()函数:标志位flags与参数个数问题

枫铃3年前 (2021-09-30)Python227

这两天在写爬虫程序,涉及英文文本处理,需要规范化英文标点符号的写法。正常情况下,英文句号.后面需要保证有且只有一个空格,但也有例外情况,比如i.e.e.g.P.S.这种。由于无法预测大小写,因此在正则表达式中使用了标志位flags,却死活不生效。

一开始,我的函数是这样写的:

 def punctuate(s):
     #----其余代码暂略
     s = re.sub(' e. g. ', 'e.g.', s, re.I)
     return s

代码的本意是:本来好好的e.g.,被函数前半断的代码错改成e. g.之后,需要修复一下,将英文句号.后面的空格删掉。但这行 re.sub() 代码主要有2个问题:

  • e. g.前后不一定是空格,因此这样写的话,如果遇到e. g.,或是(e. g. xxx的情况就会被跳过。
  • 英文的句号.未转义
  • 标志位 re.I不生效

前2个问题好解决。改进代码如下:

'''
遇到问题没人解答?小编创建了一个Python学习交流QQ群:778463939
寻找有志同道合的小伙伴,互帮互助,群里还有不错的视频学习教程和PDF电子书!
'''
 def punctuate(s):
     #----其余代码暂略
     s = re.sub('([^a-zA-Z]e\.) (g\.[^a-zA-Z])', '\g<1>\g<2>', s, re.I)
     return s

规则是:e. g.之前或之后,必须有非英文字母的字符(包括空格),且e.g.中间有一个空格,则将中间的空格删掉,且保留前后的非英文字母(\g<1>表示查找到的第1个括号内的文本,\g<2>表示第2个括号)。但标志位 re.I 的问题还是没解决。

re.sub(pattern, repl, string, count=0, flags=0)

我传入的第4个参数 re.I 会被当作是 count。因此,正确的姿势是明确写明flags=re.I

整个标点符号规范化函数还包括其它的替换,完整代码如下:

def punctuate(s):
    s = re.sub('([,:;?!\.”\)])', '\g<1> ', s) #后加空格
    s = re.sub('([“\(])', ' \g<1>', s) #前加空格
    s = re.sub('([“\(]) ', '\g<1>', s) #后删空格
    s = re.sub(' ([,:;?!\.”\)])', '\g<1>', s) #前删空格
    s = re.sub('([,\.?!;\)]) ”', '\g<1>”', s) #闭引号前去空格
    s = re.sub('\) ([,:;?!\.”])', ')\g<1>', s) #闭括号后去空格
    s = re.sub('(\d)\. (\d)', '\g<1>.\g<2>', s) #小数点后去空格
    s = re.sub(' +', ' ', s) #多空格改单空格
    #拉丁加点缩写单词,点号后面去空格
    s = re.sub('([^a-zA-Z]e\.) (g\.[^a-zA-Z])', '\g<1>\g<2>', s, flags=re.I)
    s = re.sub('([^a-zA-Z]i\.) (e\.[^a-zA-Z])', '\g<1>\g<2>', s, flags=re.I)
    s = re.sub('([^a-zA-Z]q\.) (v\.[^a-zA-Z])', '\g<1>\g<2>', s, flags=re.I)
    s = re.sub('([^a-zA-Z]v\.) (s\.[^a-zA-Z])', '\g<1>\g<2>', s, flags=re.I)
    s = re.sub('([^a-zA-Z]n\.) (b\.[^a-zA-Z])', '\g<1>\g<2>', s, flags=re.I)
    s = re.sub('([^a-zA-Z]p\.) (s\.[^a-zA-Z])', '\g<1>\g<2>', s, flags=re.I)
    s = re.sub('\. ,', '.,', s)
    return s

在这里插入图片描述

相关文章

利用python同步windows和linux文件

写python脚本的初衷,每次在windows编辑完文件后,想同步到linux上去,只能够登录服务器,...

爬虫基本原理

爬虫基本原理 一、爬虫是什么? 百度百科和维基百科对网络爬虫的定义:简单来说爬虫就是抓取目标网站内容的工具,一般是根据定义的行...

Django 函数和方法的区别

函数和方法的区别 1、函数要手动传self,方法不用传 2、如果是一个函数,用类名去调用,如果是一个方法...

Django 知识补漏单例模式

单例模式:(说白了就是)创建一个类的实例。在 Python 中,我们可以用多种方法来实现单例模式&#x...

Django基础知识MTV

Django简介 Django是使用Python编写的一个开源Web框架。可以用它来快速搭建一个高性能的网站。 Django也是一个MVC框架。但是在Dj...

Python mysql 索引原理与慢查询优化

一 介绍 为何要有索引? 一般的应用系统,读写比例在10:1左右,而且插入操作和一般的更新操作很少出现性能问题,...

发表评论

访客

看不清,换一张

◎欢迎参与讨论,请在这里发表您的看法和观点。