Python 正则表达式从 URL 和十进制数字中删除标点符号

Question

人，

我需要一个正则表达式从字符串中删除标点符号，但保留重音符号和 URL。我还必须保留该字符串中的提及和主题标签。

我尝试使用下面的代码，但不幸的是，它用重音替换了字符，但我想保留重音。

import unicodedata

if __name__ == "__main__":
    text = "Apenas um teste com acentuação. Para pontuação também! #python @stackoverflow http://xyhdhz.com.br" 
    text = unicodedata.normalize('NFKD', text).encode('ascii','ignore')
    print text

以下文本的输出 "Apenas um teste com acentuação. Para pontuação também!#python @stackoverflow http://xyhdhz.com.br" 应该是 "Apenas um teste com acentuação Para pontuação também #python @stackoverflow http://xyhdhz.com.br"

我该怎么做？

Answer 1

您可以使用 Python 的 regex module 和 re.sub() 替换您想要删除的任何字符。您可以使用黑名单并替换所有不需要的字符，也可以使用白名单包含您想要允许的所有字符并仅保留这些字符。

这将删除括号中的字符类中的任何内容：

import re

test = r'#test.43&^%à, è, ì, ò, ù, À, È, Ì, Ò, ÙÃz'
out = re.sub(r'[/.!$%^&*()]', '', test)
print(out)
# Out: #test43à è ì ò ù À È Ì Ò ÙÃz

（使用 Python 3.5 测试）

要保留 URL，您必须进行更多处理以检查该格式（这是非常多样的）。在这种情况下，您要寻找什么样的输入/输出？

编辑：根据您添加的输入示例：

test = "Apenas um teste com acentuação. Para pontuação também! #python @stackoverflow" 
# Out: Apenas um teste com acentuação Para pontuação também #python @stackoverflow