Python正则表达式 - 删除特殊字符但保留撇号

Question

我试图从一些文本中删除所有特殊字符，这是我的正则表达式：

pattern = re.compile('[\W_]+', re.UNICODE)
words = str(pattern.sub(' ', words))

这段代码非常简单，但是很不幸，在使用撇号（单引号）时会导致问题。例如，如果我有单词“doesn't”，这段代码会返回“doesn”。

有没有办法修改这个正则表达式，使其不会在这种情况下移除撇号？

编辑：这就是我想要的：

doesn't this mean it -technically- works?

应该是这样的：技术上讲，这不意味着它能正常工作吗？

- Hanpan

---

首先，您需要定义“特殊字符”的含义。 - cha0site

所有被 [\W]+ 移除的内容。我会编辑我的帖子以使其更清晰明了。 - Hanpan

也许您想要做一些更高级的事情，而不仅仅是用空格替换非ASCII字符末尾？ :-) - tobixen

Answer 1

像这样吗？

>>> pattern=re.compile("[^\w']")
>>> pattern.sub(' ', "doesn't it rain today?")
"doesn't it rain today "

如果还需要过滤下划线：

>>> re.compile("[^\w']|_").sub(" ","doesn't this _technically_ means it works? naïve I am ...")
"doesn't this  technically  means it works  naïve I am    "

- tobixen

---

从问题中不太清楚是否需要这个，但这不会删除下划线。 - Andrew Clark

如果还需要删除下划线，那么情况会变得更加复杂。也许使用 a-zA-Z 的技巧会更好。我会尝试改进。 - tobixen

a-zA-Z无法工作，因为它不包括非ASCII字符...但是我已经解决了这个问题。 - tobixen

Answer 2

我能够使用这个正则表达式：[a-z]*'?[a-z]+将您的示例解析为单词列表。

然后，您可以使用空格将列表元素连接起来。

- Mike Z

---

[a-zA-Z] 不支持国际字符。 - tobixen

>>> re.compile("[^a-zA-Z']").sub(" ","doesn't this -technically- means it works? naïve I am ...") => "这难道不是技术上可行的意思吗？我真是太天真了..." - tobixen

好观点。我只是做了一个简单的基本情况，因为他说得好像他不需要覆盖所有的边角情况。 - Mike Z

Answer 3

怎么样？

re.sub(r"[^\w' ]", "", "doesn't this mean it -technically- works?")

- Joel Cornett

Answer 4

这个怎么样：([^\w']|_)+？

请注意，这对于以下内容可能效果不佳：

doesn't this mean it 'technically' works?

这可能并不完全符合你的要求。

- cha0site