跳过某些特定字符的正则表达式

Question

我正在尝试清理字符串，使其没有任何标点符号或数字，它必须只有 a-z 和 A-Z。 例如，给定 String 为：

"coMPuter scien_tist-s are,,,  the  rock__stars of tomorrow_ <cool>  ????"

需要的输出是：

['computer', 'scientists', 'are', 'the', 'rockstars', 'of', 'tomorrow']

我的解决办法是

re.findall(r"([A-Za-z]+)" ,string)

我的输出是

['coMPuter', 'scien', 'tist', 's', 'are', 'the', 'rock', 'stars', 'of', 'tomorrow', 'cool']

Answer 1

你不需要使用正则表达式：

（如果要所有小写单词，则将字符串转换为小写），拆分单词，然后过滤掉以字母开头的单词：

>>> s = "coMPuter scien_tist-s are,,,  the  rock__stars of tomorrow_ <cool>  ????"
>>> [filter(str.isalpha, word) for word in s.lower().split() if word[0].isalpha()]
['computer', 'scientists', 'are', 'the', 'rockstars', 'of', 'tomorrow']

在 Python 3.x 中，filter(str.isalpha, word) 应替换为 ''.join(filter(str.isalpha, word))，因为在 Python 3.x 中，filter 返回一个过滤器对象。

Answer 2

在所有回答的人的推荐下，我得到了我真正想要的正确解决方案，谢谢大家...

s = "coMPuter scien_tist-s are,,,  the  rock__stars of tomorrow_ <cool>  ????"    
cleaned = re.sub(r'(<.*>|[^a-zA-Z\s]+)', '', s).split()
print cleaned

Answer 3

使用re，虽然我不确定这是否是你想要的，因为你说你不想要“酷”的剩菜。

import re

s = "coMPuter scien_tist-s are,,,  the  rock__stars of tomorrow_ <cool>  ????"

REGEX = r'([^a-zA-Z\s]+)'

cleaned = re.sub(REGEX, '', s).split()
# ['coMPuter', 'scientists', 'are', 'the', 'rockstars', 'of', 'tomorrow', 'cool']

编辑

WORD_REGEX = re.compile(r'(?!<?\S+>)(?=\w)(\S+)')
CLEAN_REGEX = re.compile(r'([^a-zA-Z])')

def cleaned(match_obj):
    return re.sub(CLEAN_REGEX, '', match_obj.group(1)).lower()

[cleaned(x) for x in re.finditer(WORD_REGEX, s)]
# ['computer', 'scientists', 'are', 'the', 'rockstars', 'of', 'tomorrow']

WORD_REGEX 对任何单词字符使用正向预读，对 <...> 使用负预读。任何使其通过前瞻的非空白都被分组：

(?!<?\S+>) # negative lookahead
(?=\w) # positive lookahead
(\S+) #group non-whitespace

cleaned 采用匹配组并删除带有CLEAN_REGEX 的任何非单词字符