正则表达式匹配除复合词的连字符之外的非字母字符

Question

python 3.6的正则表达式。我试图删除非字母字符，但我想在复合词中不匹配连字符。这是我的模式：

[^\sA-Za-z\u00C0-\u00FF\u0153\u0152-]|(?=\W)-(?<=\W)

例如对于- word-word我想匹配第一个 - 但不是第二个但我的模式匹配两者。

Answer 1

在Python 3.6中，您可以使用一种技术匹配并捕获您需要保留的内容（字母之间的-可以与[^\W\d_]-(?=[^\W\d_])匹配）匹配您需要删除的内容（所有非字母数字或您定义的任何字符）。

因此，示例re.sub看起来像

re.sub(r'([^\W\d_]-)(?=[^\W\d_])|[^\sA-Za-z\u00C0-\u00FF\u0153\u0152]', r'\1', s)

或

re.sub(r'([^\W\d_]-)(?=[^\W\d_])|(?:[^\w\s]|_)', r'\1', s)

，其中

• ([^\W\d_]-)(?=[^\W\d_]) - 任何字母和-后面跟着任何字母（这是允许连续匹配的正向前瞻，例如a-b-c）
• | - 或
• (?:[^\w\s]|_) - 任何单个非字和非空白字符或_都匹配。

r'\1'是替换反向引用，占位符引用组1中的内容，将其插回到结果字符串中。

请参阅regex demo。

在3.5之前的Python版本中，您需要使用lambda作为替换参数来检查Group 1是否匹配：

re.sub(r'([^\W\d_]-)(?=[^\W\d_])|(?:[^\w\s]|_)', lambda x: x.group(1) if x.group(1) else '', s)

另一种可能的解决方案是

re.sub(r'(?!\b-\b)(?:[^\w\s]|_)', '', s)

请参阅regex demo。在这里，使用单词字符括起来的-将不会匹配\b字边界（但即使用下划线括起来也会避免匹配-。）