正则表达式 (regex) 从 Python 中的字符串中删除单词“and”、非字母数字字符和空格

Question

在 Python 中，我正在尝试清理（以及稍后比较）艺术家姓名并希望删除：

1. 非字母字符，或
2. 空白，或
3. “和”这个词

输入字符串：Bootsy Collins and The Rubber Band

期望的输出：BootsyCollinsTheRubberBand

import re

s = 'Bootsy Collins and The Rubber Band'
res1 = re.sub(r'[^\w]|\s|\s+(and)\s', "", s)
res2 = re.sub(r'[^\w]|\s|\sand\s', "", s)
res3 = re.sub(r'[^\w]|\s|(and)', "", s)

print("\b", s, "\n"
      , "1st: ", res1, "\n"
      , "2nd: ", res2, "\n"
      , "3rd: ", res3)

Output:
Bootsy Collins and The Rubber Band 
 1st:  BootsyCollinsandTheRubberBand 
 2nd:  BootsyCollinsandTheRubberBand 
 3rd:  BootsyCollinsTheRubberB

Answer 1

为了支持您制定的规则，而不仅仅是引用的示例文本，您需要一个更通用的正则表达式，并为re.sub 调用设置正确的标志：

re.sub(r'\band\b|\W', '', s, flags=re.IGNORECASE)

说明

• 设置了标志re.IGNORECASE，以便您还可以删除句子中的“And”（以及其他大写/小写组合变体）。如果您只想删除“and”而不是它的任何变体，您可以删除此标志设置。
• \band\b 两边用单词边界标记\b 括起来的单词“and”。这是为了将 3 个字符序列“and”匹配为一个独立的单词，而不是另一个单词的子字符串。使用\b 来隔离单词而不是将单词包含在\s+and\s 之类的空格中，其优点是\b 选项还可以检测and, 之类的字符串中的单词边界，而\s+and\s 则不能。这是因为逗号不是空格。
• 由于空格\s 也是一种非单词\W（因为单词\w 等同于[a-zA-Z0-9_]），所以两者不需要单独的正则表达式标记。 \W 已经包含 \s。因此，您可以简化正则表达式，而无需单独使用 \s。

演示

测试用例 #1：

s = 'Bootsy Collins and The Rubber Band'
res = re.sub(r'\band\b|\W', '', s, flags=re.IGNORECASE)
print(res)

Output:
'BootsyCollinsTheRubberBand'

测试用例 #2（'And' 被删除）：

s = 'Bootsy Collins And The Rubber Band'
res = re.sub(r'\band\b|\W', '', s, flags=re.IGNORECASE)
print(res)

Output:
'BootsyCollinsTheRubberBand'

测试用例 #3（'and,' [在 'and' 后加逗号] 被删除）

s = 'Bootsy Collins and, The Rubber Band'
res = re.sub(r'\band\b|\W', '', s, flags=re.IGNORECASE)
print(res)

Output:
'BootsyCollinsTheRubberBand'

反测试用例：（正则表达式使用空格 \s+ 或 \s 而不是 \b 作为单词边界）

s = 'Bootsy Collins and, The Rubber Band'
res = re.sub(r'\s+(and)\s|\W', '',s)
print(res)

Output:   'and' is NOT removed
'BootsyCollinsandTheRubberBand'            

Answer 2

您的前两个正则表达式不匹配“和”，因为当到达字符串中的那个位置时，正则表达式的\s 部分将匹配“and”之前的空格而不是\s+(and)\s 部分你的正则表达式。

您只需更改顺序，以便先尝试后者。此外，\s 是[^\w] 的一部分，因此您无需单独匹配\s。最后，\W 是[^\w] 的缩写形式。所以使用：

\s+(and)\s|\W