Regex删除标点符号，但不删除数字之间的错误结果

Question

我正在为SpaCy预处理文本，并尝试删除标点符号，数字之间除外。然而，在某些情况下，当标点符号与数字连接时，它不会被删除。你能建议一下如何处理这个边缘案件吗？

一个例子：

import re
text = "Fast-charge $ EV ! battery maker StoreDot pulls in $80.7M led led by Vietnam’s VinFast"
preprocessed = re.sub(r'(?<!d)[%$!.,,;:’“”—-](?!d)',' ', text)
print(preprocessed)
# Fast charge   EV   battery maker StoreDot pulls in $80.7M led by Vietnam s VinFast

预期结果：

# Fast charge   EV   battery maker StoreDot pulls in 80.7M led by Vietnam s VinFast

Answer 1

负环视在两侧都应该为真，这样就不会与$80中的$匹配

您可以匹配字符类的一个字符，断言在左侧或右侧使用交替|没有数字。

(?<!d)[%$!.,;:’“”—-]|[%$!.,;:’“”—-](?!d)

查看regex演示

票据

• 示例字符串中有led led，预期结果中只有一个led，但我认为这是拼写错误，因为字符类无法匹配led

• 字符类中还有一个,的双条目。

• 不确定是否要保留它们，但在替换中使用空格可能会留下双倍间距的间隙，正如您在预期结果中看到的那样。如果要删除它们，可以使用strip()来删除前导空格和尾随空格，并使用sub和r"[^Sn]{2,}"来匹配2个或多个没有换行符的空格，并用单个空格替换它们