在 Python 中删除 [quote= 和 [/quote] 之间的文本

Question

我正在读取一个用于应用 NLP 的 csv 文件，并且我正在尝试对数据进行预处理。我收到了来自在线论坛的数据，因此，上面有引用。如何删除它们？举个例子；

a='[b]Re:[/b] 
[quote="xxx"] How can I do that blah blah xxx [/quote]
 Hello xxx, I will tell you how you can do it blah blah blah.'

我想要下面的表格；

a='你好 xxx，我会告诉你如何做到的等等等等。'

我想要检测 [quote=" 并开始删除直到看到 [/quote] 的正则表达式。这可能吗？

我试过了，但是没用。

  def quotes(text):
   return re.sub('\[([^\]=]+)(?:=[^\]]+)?\].*?\[\/\\1\]', '', text)

  data['message'] = data['message'].apply(quotes)

Answer 1

这是一个似乎可行的解决方案：

a = '[b]Re:[/b] [quote="xxx"] How can I do that blah blah xxx [/quote] Hello xxx, I will tell you how you can do it blah blah blah.'
output = re.sub('\[([^\]=]+)(?:=[^\]]+)?\](.*?)\[\/\\1\]', '\\2', a)
print(output)

打印出来：

Re:  How can I do that blah blah xxx  Hello xxx, I will tell you how you can do it blah blah blah.

正则表达式模式有点冗长，但它所做的只是匹配每组标签，例如[quote="xxx"]...[/quote]，删除它们，然后替换为标签内的任何内容。

\[([^\]=]+)(?:=[^\]]+)?\]  match an opening tag, and capture the tag name in \1
(.*?)                      match and capture in \2 all the content
\[\/\\1\]                  match a closing tag, using the backreference \1

请注意，re.sub 默认情况下会进行全局替换，因此一旦我们为一组标签制定了工作模式，就可以在任何地方应用它。

编辑：

如果你真的想匹配并且删除整个标签及其内容，那么使用这个：

output = re.sub('\[([^\]=]+)(?:=[^\]]+)?\].*?\[\/\\1\]', '', a)
print(output)

打印出来：

Hello xxx, I will tell you how you can do it blah blah blah.

Answer 2

其实答案太简单了，

def quotes(text):
 return re.sub(r'\[quote.+quote\]','',text)
data['message'] = data['message'].apply(quotes)

就是这样。