正则表达式从开头或结尾的空格或其他字符中清除字符串（带重音符号）和数字答案

【问题标题】：Regular expression to clean strings of words(with accents) and numbers from spaces or other characters at the beggining or end正则表达式从开头或结尾的空格或其他字符中清除字符串（带重音符号）和数字
【发布时间】：2020-01-22 11:49:40
【问题描述】：

我正在使用 python with spark 来处理一些带有葡萄牙语重音词的数据。

一些数据来的例子是这样的：

 .. -- Água, 1234 ...

 - -- https://www.example.com/page.html *****

我正在尝试从字符串的左侧或右侧删除不是单词或数字的任何内容，得到如下干净的结果：

   Água, 1234
   https://www.example.com/page.html

我能做的最好的就是：

 ^[^\\p{N}\\p{L}]]|[^\\p{N}\\p{L}]$

但这没有用。我看到了很多解决方案，但没有将字符串的开头和结尾与重音字符匹配。

提前致谢。

【问题讨论】：

REGEXP [a-zA-Z] 和 [0-9] 怎么样
把重音词去掉，如果它们在开头或结尾
嘿，我不知道您为什么删除了您的评论，但它确实有效，谢谢 :)
抱歉，stackoverflow.com/questions/18663644/…

标签： python regex pyspark

【解决方案1】：

也许，我们可以查看您拥有的数据，然后我们会编写一些类似于：

(?i)\S[a-z].+[a-z0-9]

或者，

(?i)\S*[a-z].+[a-z0-9]

Demo

如果您希望简化/修改/探索表达式，请在regex101.com 的右上角面板中进行说明。如果您愿意，您还可以在this link 中观看它如何与一些示例输入匹配。

测试

import re


regex = r"(?i)\S[a-z].+[a-z0-9]"
string = """
.. -- Água, 1234 ...

 - -- https://www.example.com/page.html *****
"""

print(re.findall(regex, string))

输出

['Água, 1234', 'https://www.example.com/page.html']

【讨论】：

【解决方案2】：

我做到了。

感谢 αԋɱҽԃ αмєяιcαη，这不是最好的解决方案，因为它超出了 pyspark 的 regexp_replace 函数，但它可以工作，只是添加了 re.unicode 标志，并创建了一个 udf。


regexp = re.compile(r'^\W+|\W+$',flags=re.UNICODE)

def remove_non_utf8(string):
    return regexp_2.sub('',regexp_1.sub('',string))

replace_utf8 = udf(remove_non_utf8)

这会从开头或结尾删除所有非 unicode 字符，使用 this url 作为参考。

--编辑--

我尝试使用：

**(?ui)^\W+|\W+$**

使用pyspark的regexp_replace功能，它不起作用，所以我仍然使用regexp解决方案。

【讨论】：