Python删除任何不是字母或数字的东西答案

【问题标题】：Python remove anything that is not a letter or numberPython删除任何不是字母或数字的东西
【发布时间】：2011-09-13 11:26:57
【问题描述】：

我在使用 Python 正则表达式时遇到了一点问题。

有什么好的方法可以删除字符串中不是字母或数字的所有字符？

谢谢！

【问题讨论】：

有问题的字符串不包含 ascii 字符？

标签： python regex string

【解决方案1】：

您还可以考虑其他方式，例如只需循环遍历字符串并跳过不需要的字符，例如假设您要删除所有非字母或数字的 ascii 字符

>>> newstring = [c for c in "a!1#b$2c%3\t\nx" if c in string.letters + string.digits]
>>> "".join(newstring)
'a1b2c3x'

或使用 string.translate 将一个字符映射到另一个字符或删除一些字符，例如

>>> todelete = [ chr(i) for i in range(256) if chr(i) not in string.letters + string.digits ]
>>> todelete = "".join(todelete)
>>> "a!1#b$2c%3\t\nx".translate(None, todelete)
'a1b2c3x'

这样你需要计算一次todelete列表或todelete可以硬编码一次，并在你需要转换字符串的任何地方使用它

【讨论】：

【解决方案2】：

[\w] 匹配（字母数字或下划线）。

[\W] 匹配 (not (alphanumeric or underscore))，相当于 (not alphanumeric and not underscore)

您需要[\W_] 删除所有非字母数字。

使用 re.sub() 时，如果通过使用 [\W_]+ 匹配而不是一次一个匹配来减少替换的数量（昂贵），效率会高得多。

现在您只需定义字母数字：

str 对象，仅 ASCII A-Za-z0-9：

    re.sub(r'[\W_]+', '', s)

str 对象，仅限语言环境定义的字母数字：

    re.sub(r'[\W_]+', '', s, flags=re.LOCALE)

unicode 对象，所有字母数字：

    re.sub(ur'[\W_]+', u'', s, flags=re.UNICODE)

str 对象的示例：

>>> import re, locale
>>> sall = ''.join(chr(i) for i in xrange(256))
>>> len(sall)
256
>>> re.sub('[\W_]+', '', sall)
'0123456789ABCDEFGHIJKLMNOPQRSTUVWXYZabcdefghijklmnopqrstuvwxyz'
>>> re.sub('[\W_]+', '', sall, flags=re.LOCALE)
'0123456789ABCDEFGHIJKLMNOPQRSTUVWXYZabcdefghijklmnopqrstuvwxyz'
>>> locale.setlocale(locale.LC_ALL, '')
'English_Australia.1252'
>>> re.sub('[\W_]+', '', sall, flags=re.LOCALE)
'0123456789ABCDEFGHIJKLMNOPQRSTUVWXYZabcdefghijklmnopqrstuvwxyz\x83\x8a\x8c\x8e\
x9a\x9c\x9e\x9f\xaa\xb2\xb3\xb5\xb9\xba\xc0\xc1\xc2\xc3\xc4\xc5\xc6\xc7\xc8\xc9\
xca\xcb\xcc\xcd\xce\xcf\xd0\xd1\xd2\xd3\xd4\xd5\xd6\xd8\xd9\xda\xdb\xdc\xdd\xde\
xdf\xe0\xe1\xe2\xe3\xe4\xe5\xe6\xe7\xe8\xe9\xea\xeb\xec\xed\xee\xef\xf0\xf1\xf2\
xf3\xf4\xf5\xf6\xf8\xf9\xfa\xfb\xfc\xfd\xfe\xff'
# above output wrapped at column 80

Unicode 示例：

>>> re.sub(ur'[\W_]+', u'', u'a_b A_Z \x80\xFF \u0404', flags=re.UNICODE)
u'abAZ\xff\u0404'

【讨论】：

【解决方案3】：

'\W' 与 [^A-Za-z0-9_] 相同，加上您所在地区的重音字符。

>>> re.sub('\W', '', 'text 1, 2, 3...')
'text123'

也许您想保留空格或保留所有单词（和数字）：

>>> re.findall('\w+', 'my. text, --without-- (punctuation) 123')
['my', 'text', 'without', 'punctuation', '123']

【讨论】：

docs.python.org/library/re.html#regular-expression-syntax 你忘了_。 \w == [^a-zA-Z0-9_]

【解决方案4】：

你需要更具体：

Unicode“字母”呢？即，那些带有变音符号的人。
空白区域呢？（我认为这是您想要与标点一起删除的内容）
当您说“字母”时，您是指仅 ASCII 格式的 A-Z 和 a-z？
你说的“数字”是指0-9吗？小数、分隔符和指数呢？

它很快变得复杂......

一个很好的起点是交互式正则表达式网站，例如RegExr

您还可以获取 Python 特定的Python Regex Tool

【讨论】：

【解决方案5】：

您也可以尝试通过以下方式使用 isalpha 和 isnumeric 方法：

text = 'base, sample test;'
getVals = lambda x: (c for c in text if c.isalpha() or c.isnumeric())
map(lambda word: ' '.join(getVals(word)): text.split(' '))

【讨论】：

或更简洁的isalnum() 方法！尽管 OP 确实要求使用正则表达式
我决定在这里发布我的解决方案只是因为我喜欢有几种方法来解决任何任务 - 所以我只是假设作者也可能想要另一种选择。对不起，如果我错了
最终，我们回答的目的是为了提供帮助。如果您认为使用字符串方法而不是正则表达式会有所帮助（这在 Python 中经常出现），那么提及它并没有错。

【解决方案6】：

您可以在 python 中使用预定义的正则表达式：\W 对应于集合[^a-zA-Z0-9_]。那么，

import re
s = 'Hello dutrow 123'
re.sub('\W', '', s)
--> 'Hellodutrow123'

【讨论】：

非 ASCII 世界呢？此外，不删除下划线。

【解决方案7】：

在字符集匹配规则[...] 中，您可以将^ 指定为第一个字符以表示“不在”

import re
re.sub("[^0-9a-zA-Z]",        # Anything except 0..9, a..z and A..Z
       "",                    # replaced with nothing
       "this is a test!!")    # in this string

--> 'thisisatest'

【讨论】：