Python如何處理中文標(biāo)點(diǎn)符號(hào)大集合

這篇文章給大家分享的是有關(guān)Python如何處理中文標(biāo)點(diǎn)符號(hào)大集合的內(nèi)容。小編覺得挺實(shí)用的，因此分享給大家做個(gè)參考，一起跟隨小編過來看看吧。

中文文本中可能出現(xiàn)的標(biāo)點(diǎn)符號(hào)來源比較復(fù)雜，通過匹配等手段對他們處理的時(shí)候需要格外小心，防止遺漏。以下為在下處理中文標(biāo)點(diǎn)的時(shí)候采用的兩種方法:

中文標(biāo)點(diǎn)集合

比較常見標(biāo)點(diǎn)有這些：

！？?＂?！纾ィΓВǎ?，－／：；＜＝＞＠［＼］＾＿｀｛｜｝～?????、〃》「」『』【】〔〕〖〗?????〝〞????–—‘'?“”??…?﹏.

調(diào)用zhon包的zhon.hanzi.punctuation函數(shù)即可得到這些中文標(biāo)點(diǎn)。

如果想用英文的標(biāo)點(diǎn)，則可調(diào)用string包的string.punctuation函數(shù)可得到：

!"#$%&\'()*+,-./:;<=>?@[\\]^_`{|}~

因此，比如需要將所有標(biāo)點(diǎn)符號(hào)去除，可以進(jìn)行以下操作：

>>> import re
>>> from zhon.hanzo import punctuation
>>> line = "測試。。去除標(biāo)點(diǎn)。。"
>>> print re.sub("[{}]+".format(punctuation), "", line.decode("utf-8")) # 需要將str轉(zhuǎn)換為unicode

當(dāng)然，如果想去除重復(fù)的符號(hào)而只保留一個(gè)，那么可以用\1指明：比如

>>> re.sub(ur"([{}])+".format(punctuation), "\1", line.decode("utf-8"))

你也可以手工指定這些標(biāo)點(diǎn)符號(hào)

punctuation = """??？?＂?！纾ィΓВǎ?；＜＝＞＠［＼］＾＿｀｛｜｝～?????、〃》「」『』【】〔〕〖〗?????〝〞????–—‘'?“”??…?﹏"""
re_punctuation = "[{}]+".format(punctuation)
line = re.sub(re_punctuation, "", line)

可以通過直接指定unicode碼范圍的辦法來strip，比如:

去除所有半角全角符號(hào)，只留字母、數(shù)字、中文

def remove_punctuation(line):
  rule = re.compile(ur"[^a-zA-Z0-9\u4e00-\u9fa5]")
  line = rule.sub('',line)
  return line

漢字的范圍為”\u4e00-\u9fa5“，這個(gè)是用Unicode表示的，所以前面必須要加”u“；字符”r“的意思是表示忽略后面的轉(zhuǎn)義字符，這樣簡化了后面正則表達(dá)式里每遇到一個(gè)轉(zhuǎn)義字符還得挨個(gè)轉(zhuǎn)義的麻煩

最后可以組合成為一個(gè)函數(shù)

def remove_punctuation(line, strip_all=True):
  if strip_all:
    rule = re.compile(ur"[^a-zA-Z0-9\u4e00-\u9fa5]")
    line = rule.sub('',line)
  else:
    punctuation = """??？?＂?！纾ィΓВǎ?；＜＝＞＠［＼］＾＿｀｛｜｝～?????、〃》「」『』【】〔〕〖〗?????〝〞????–—‘'?“”??…?﹏"""
    re_punctuation = "[{}]+".format(punctuation)
    line = re.sub(re_punctuation, "", line)
  return line.strip()

清洗完畢后，有時(shí)候我們希望按照多個(gè)標(biāo)點(diǎn)符號(hào)來分割

比如只要遇到中文或英文的逗號(hào)和句號(hào)等符號(hào)就分割，可以直接用translate把這些符號(hào)翻譯為統(tǒng)一的分隔符，再split:

strip_chars = '？"。.，,《》[]〖〗“”'
single_line = single_line.translate(str.maketrans(dict.fromkeys(strip_chars, '#')))
single_line = single_line.split('#')

感謝各位的閱讀！關(guān)于“Python如何處理中文標(biāo)點(diǎn)符號(hào)大集合”這篇文章就分享到這里了，希望以上內(nèi)容可以對大家有一定的幫助，讓大家可以學(xué)到更多知識(shí)，如果覺得文章不錯(cuò)，可以把它分享出去讓更多的人看到吧！