Python Regex, entfernen Sie alle Satzzeichen außer Bindestrich für Unicode-String

Question

Ich habe diesen Code für alle Satzzeichen aus einer regex Zeichenfolge zu entfernen:

import regex as re  
re.sub(ur"\p{P}+", "", txt) 

Wie würde ich es ändern Bindestriche zu erlauben? Wenn Sie erklären könnten, wie Sie es gemacht haben, wäre das großartig. Ich verstehe, dass hier, korrigieren Sie mich, wenn ich falsch liege, P mit etwas, nachdem es Interpunktion ist.

Answer 1

[^\P{P}-]+ 

\P ist die komplementäre von \p - nicht Interpunktion. Das entspricht also allem, was nicht ist (keine Interpunktion oder ein Bindestrich) - was zu allen Interpunktionen außer Bindestrichen führt.

Beispiel: http://www.rubular.com/r/JsdNM3nFJ3

Wenn Sie eine nicht-gewundenen Weg wollen, eine Alternative ist \p{P}(?<!-): alle Interpunktion übereinstimmen, und dann überprüfen, war kein Bindestrich (mit negativen Lookbehind).
Arbeitsbeispiel: http://www.rubular.com/r/5G62iSYTdk

Answer 2

Sie entweder die Interpunktion Sie manuell entfernen möchten angeben könnten, wie in [._,] oder eine Funktion anstelle der Ersatzzeichenfolge liefern:

re.sub(r"\p{P}", lambda m: "-" if m.group(0) == "-" else "", text) 

Answer 3

Hier ist, wie es zu tun mit dem re Modul, falls Sie mit den Standardbibliotheken zu halten haben:

# works in python 2 and 3 
import re 
import string 

remove = string.punctuation 
remove = remove.replace("-", "") # don't remove hyphens 
pattern = r"[{}]".format(remove) # create the pattern 

txt = ")*^%{}[]thi's - is - @@#!a !%%!!%- test." 
re.sub(pattern, "", txt) 
# >>> 'this - is - a - test' 

Wenn Leistung zählt, Sie str.translate verwenden möchten, da it's faster than using a regex. In Python 3 lautet der Code txt.translate({ord(char): None for char in remove}).