从字符串中删除所有特殊字符、标点符号和空格。

Question

我需要将一个字符串中的所有特殊字符、标点符号和空格都去除，这样我就只剩下字母和数字了。

- user664546

Answer 1

这可以在不使用正则表达式的情况下完成：

>>> string = "Special $#! characters   spaces 888323"
>>> ''.join(e for e in string if e.isalnum())
'Specialcharactersspaces888323'

你可以使用 str.isalnum 方法。

S.isalnum() -> bool

Return True if all characters in S are alphanumeric
and there is at least one character in S, False otherwise.

如果您坚持使用正则表达式，其他解决方案也可以胜任。但请注意，如果不使用正则表达式也可以完成任务，那就是最好的方法。

- user225312

---

为什么不建议将正则表达式作为常规方法？ - Chris Dutrow

只有当字符串是unicode时，此方法才有效。否则会出现“str”对象没有“isalnum”、“isnumeric”等属性的错误提示。 - NeoJi

除非那是不真实的，我对isalnum()和正则表达式版本进行了基准测试，而且正则表达式版本更快，速度提高了50-75%。 - Francisco

在Python3中尝试过这个 - 它接受Unicode字符，所以对我来说没用。尝试使用字符串=“B223323\§§§$3\u445454”作为示例。结果是什么？'B2233233䑔54' - 576i

另外，需要注意的是："对于8位字符串，该方法依赖于locale（语言环境）"！因此，使用正则表达式是更好的选择！ - Antti Haapala -- Слава Україні

Answer 2

这是一个正则表达式，用于匹配不是字母或数字的字符：

[^A-Za-z0-9]+

这里是用Python进行正则表达式替换的命令：

re.sub('[^A-Za-z0-9]+', '', mystring)

- Andy White

---

KISS：保持简单愚蠢！这比非正则表达式的解决方案更短，更易于阅读，并且可能更快。 （但是，我会添加一个“+”限定符以稍微提高效率。） - ridgerunner

这也会移除单词之间的空格，例如，“great place” 会变成“greatplace”。如何避免这种情况发生？ - Reihan_amn

@Reihan_amn 只需在正则表达式中添加一个空格，即可变为：[^A-Za-z0-9 ]+。 - sougonde

我猜这对于其它语言中的修改过的字符，比如á，ö，ñ等无法运作。如果是这样，那么匹配它们的正则表达式会是什么？ - HuLu ViCa

这对于西班牙语、德语、丹麦语和其他语言无效。 - tommy.carstensen

Answer 3

更简洁的方法：

import re
cleanString = re.sub('\W+','', string )

如果你想在单词和数字之间加上空格，请将''替换为' '

- tuxErrante

---

除了 _ 在 \w 中并且在此问题的上下文中是一个特殊字符之外，其余都翻译为“除了”。 - kkurian

根据上下文而定——下划线对于文件名和其他标识符非常有用，以至于我不将其视为特殊字符，而是将其视为经过消毒的空格。我自己通常也使用这种方法。 - Echelon

r'\W+' - 稍微偏题（而且非常迂腐），但我建议所有正则表达式模式都使用原始字符串的习惯。 - Bob Stein

该程序不将下划线（_）视为特殊字符。 - Md. Sabbir Ahmed

一个简单的更改也可以去除下划线：使用r"[^A-Za-z]+"代替r"\W+"。 - Tomerikoo

不客气！我得到的大部分观点都来自这个答案 :) - tuxErrante

Answer 4

简要概述

我计时了提供的答案。

import re
re.sub('\W+','', string)

相对于提供的其他最快答案，通常会快3倍

使用此选项时应注意。某些特殊字符（例如ø）可能无法使用此方法剥离。

---

看到这个，我对提供的答案进行了扩展，找出哪个执行时间最短，因此我检查了一些提议的答案，并使用timeit针对两个示例字符串：

• string1 = 'Special $#! characters spaces 888323'
• string2 = 'how much for the maple syrup? $20.99? That s ridiculous!!!'

示例1

'.join(e for e in string if e.isalnum())

• string1 - 结果：10.7061979771
• string2 - 结果：7.78372597694

例子 2

import re
re.sub('[^A-Za-z0-9]+', '', string)

• string1 - 结果：7.10785102844
• string2 - 结果：4.12814903259

示例 3

import re
re.sub('\W+','', string)

• string1 - 结果：3.11899876595
• string2 - 结果：2.78014397621

上述结果是通过对repeat(3, 2000000)的平均值返回最低结果得出的。

示例3可以比示例1快3倍。

- mbeacom

---

@kkurian 如果您阅读我的回答开头，这只是对先前提出的解决方案的比较。您可能想评论原始答案... https://dev59.com/Zm025IYBdhLWcg3wtoVA#25183802 - mbeacom

哦，我明白你的意思了。完成！ - kkurian

在处理大语料库时，必须考虑到示例3。 - HARSH NILESH PATHAK

第三个解决方案没有移除“ø”，但第二个解决方案确实移除了它。 - MehmedB

@TanmeyRawal 你试过这个吗：re.sub('\W+','', string)？它可以去除空格。 - mbeacom

Answer 5

Python 2.*

我认为只需要使用filter(str.isalnum, string)即可。

In [20]: filter(str.isalnum, 'string with special chars like !,#$% etcs.')
Out[20]: 'stringwithspecialcharslikeetcs'

Python 3.*

在Python3中，filter()函数会返回一个可迭代对象（与上文不同，它不返回字符串）。必须使用join方法将其转换为字符串：

''.join(filter(str.isalnum, string)) 

或者在join中传递list时使用(不确定但可能会快一些)

''.join([*filter(str.isalnum, string)])

注意：在Python >= 3.5中，[*args]表示解包参数的语法是有效的。

- Grijesh Chauhan

---

@Alexey 正确，Python3中的 map、filter 和 reduce 返回迭代对象。在Python3+中，我仍然更喜欢使用 ''.join(filter(str.isalnum, string))（或者如果要将列表传递给 join，则使用 ''.join([*filter(str.isalnum, string)])）而不是接受的答案。 - Grijesh Chauhan

我不确定''.join(filter(str.isalnum, string))相对于filter(str.isalnum, string)来说是否更好，至少在阅读上是这样的。这真的是Pythonic（是的，你可以用这个词）的做法吗？ - TheProletariat

@TheProletariat 重点是在Python3中，仅使用*filter(str.isalnum, string)*不能像Python2一样返回字符串，因为Python3中的filter()返回迭代器而不是参数类型。 - Grijesh Chauhan

@GrijeshChauhan，我认为你应该更新你的答案，包括你对Python2和Python3的建议。 - mwfearnley

Answer 6

#!/usr/bin/python
import re

strs = "how much for the maple syrup? $20.99? That's ricidulous!!!"
print strs
nstr = re.sub(r'[?|$|.|!]',r'',strs)
print nstr
nestr = re.sub(r'[^a-zA-Z0-9 ]',r'',nstr)
print nestr

您可以添加更多的特殊字符，这些字符将被替换为''表示没有意义，即它们将被删除。

- pkm

Answer 7

string.punctuation包含以下字符：

'!"＃$％&\'()*+，-。/：；< =>?@[\\]^_`{|}~'

您可以使用translate和maketrans函数将标点符号映射为空值（替换）。

import string

'This, is. A test!'.translate(str.maketrans('', '', string.punctuation))

输出：

'This is A test'

- Vlad Bezden

Answer 8

与其他人使用正则表达式的方式不同，我会尝试排除每个不是我想要的字符，而不是明确列举我不想要的内容。

例如，如果我只想要从'a到z'（大写和小写）以及数字的字符，我会排除所有其他字符：

import re
s = re.sub(r"[^a-zA-Z0-9]","",s)

这意味着“用空字符串替换掉不是数字、在'a到z'或'A到Z'范围内的字符”。事实上，如果你在正则表达式的第一位插入特殊字符^，你会得到否定结果。额外的提示：如果你还需要将结果转换为小写，只要现在找不到任何大写字母，你就可以使正则表达式变得更快、更容易。

import re
s = re.sub(r"[^a-z0-9]","",s.lower())

- Andrea

Answer 9

s = re.sub(r"[-()\"#/@;:<>{}`+=~|.!?,]", "", s)

- sneha

Answer 10

假设您想使用正则表达式并且需要具有Unicode感知能力的2.x代码，同时也需要支持2to3转换：

>>> import re
>>> rx = re.compile(u'[\W_]+', re.UNICODE)
>>> data = u''.join(unichr(i) for i in range(256))
>>> rx.sub(u'', data)
u'0123456789ABCDEFGHIJKLMNOPQRSTUVWXYZabcdefghijklmnopqrstuvwxyz\xaa\xb2 [snip] \xfe\xff'
>>>

- John Machin