Question

我有一大堆真实世界的文字，我需要将文字拉出来输入拼写检查。我想尽可能多地提取有意义的字而不会产生太多噪音。我知道这里有很多正则表达的忍者，所以希望有人可以帮助我。

目前，我正在使用'[a-z]+'提取所有字母顺序。这是一个不错的近似值，但它会拖累掉很多垃圾。

理想情况我想要一些正则表达式（不一定非常有效），它提取由自然单词分隔符（例如[/-_,.: ]等）分隔的所有字母顺序，以及忽略任何带有非法边界的字母序列。

然而，我也很高兴能够获得与数字不相邻的所有字母序列。因此，例如'pie21'不会提取'pie'，但'http://foo.com'会提取['http', 'foo', 'com']。

我尝试了lookahead和lookbehind断言，但是它们是按字符应用的（例如re.findall('(?<!\d)[a-z]+(?!\d)', 'pie21')当我希望它不返回时，'pi'会返回(?:[a-z]+)。我尝试将alpha部分包装为术语（GIHQ4NWL0S5SCGBDD40ZXE5IDP13TYNEA），但它没有帮助。

更详细信息：这些数据是一个电子邮件数据库，所以它通常是普通数字的普通英语，但偶尔会出现AC7A21C0和{{1}}之类的垃圾字符串。喜欢完全忽略。我假设任何按字母顺序排列的数字都是垃圾。

Answer 1

如果您将自己限制为ASCII字母，请使用（设置re.I选项）

\b[a-z]+\b

\b是一个单词边界锚点，仅在字母数字“单词”的开头和结尾处匹配。因此\b[a-z]+\b匹配pie，但不匹配pie21或21pie。

要同时允许其他非ASCII字母，您可以使用以下内容：

\b[^\W\d_]+\b

也允许重音字符等。您可能需要设置re.UNICODE选项，尤其是在使用Python 2时，以便允许\w简写与非ASCII字母匹配。

[^\W\d_]作为否定字符类允许除数字和下划线之外的任何字母数字字符。

Answer 2

您熟悉word boundaries?（\b）吗？您可以使用序列周围的\b提取单词并匹配其中的字母：

\b([a-zA-Z]+)\b

例如，这将抓住整个单词，但停止在连字符，如连字符，句号，分号等等。

您可以在python manual

处结束\b序列和其他序列

编辑此外，如果您要查看比赛之后或之前的数字，您可以使用负面预测/后方：

(?!\d)   # negative look-ahead for numbers
(?<!\d)  # negative look-behind for numbers

Answer 3

怎么样：

import re
yourString="pie 42 http://foo.com GIHQ4NWL0S5SCGBDD40ZXE5IDP13TYNEA  pie42"
filter (lambda x:re.match("^[a-zA-Z]+$",x),[x for x in set(re.split("[\s:/,.:]",yourString))])

请注意：

split将你的字符串分解为潜在的候选人=＆gt;返回“潜在词汇”列表
set make unicity filtering =＆gt;转换集合中的列表，从而删除多次出现的条目。此步骤不是强制性的。
filter减少候选者的数量：获取列表，将测试函数应用于每个元素，并返回测试后的元素列表。在我们的例子中，测试功能是“匿名”
lambda：匿名函数，取一个项目并检查它是否是单词（仅限大写或小写字母）

编辑：添加了一些解释

Answer 4

示例代码

print re.search(ur'(?u)ривет\b', ur'Привет')
print re.search(ur'(?u)\bривет\b', ur'Привет')

或

s = ur"abcd ААБВ"
import re
rx1 = re.compile(ur"(?u)АБВ")
rx2 = re.compile(ur"(?u)АБВ\b")
rx3 = re.compile(ur"(?u)\bАБВ\b")
print rx1.findall(s)
print rx2.findall(s)
print rx3.findall(s)

提取整个单词

4 个答案: