Python正则表达式做文本预处理,去掉特殊符号

在进行文本训练和处理之前难免要进行下预处理,过滤掉没有用的符号等,简单用python 的正则表达式过滤一下。

#!/usr/bin/python
# encoding: UTF-8
import re

# make English text clean
def clean_en_text(text):
    # keep English, digital and space
    comp = re.compile('[^A-Z^a-z^0-9^ ]')
    return comp.sub('', text)

# make Chinese text clean
def clean_zh_text(text):
    # keep English, digital and Chinese
    comp = re.compile('[^A-Z^a-z^0-9^\u4e00-\u9fa5]')
    return comp.sub('', text)

if __name__ == '__main__':
    text_en = '$How old are you? Could you give me your pen?'
    text_zh = '$你好!我是个程序猿,标注码农¥'
    print(clean_en_text(text_en))
    print(clean_zh_text(text_zh))

测试

(base) ➜  src python test.py
How old are you Could you give me your pen
你好我是个程序猿标注码农

评论 3
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值