Python正则表达式 re.sub()函数:标志位flags与参数个数问题

Python正则表达式 re.sub()函数:标志位flags与参数个数问题[Python常见问题]

这两天在写爬虫程序,涉及英文文本处理,需要规范化英文标点符号的写法。正常情况下,英文句号「.」后面需要保证有且只有一个空格,但也有例外情况,比如「i.e.」、「e.g.」、「P.S.」这种。由于无法预测大小写,因此在正则表达式中使用了「标志位」flags,却死活不生效。

一开始,我的函数是这样写的:

1 def punctuate(s):
2     #----其余代码暂略
3     s = re.sub(" e. g. ", "e.g.", s, re.I)
4     return s

代码的本意是:本来好好的「e.g.」,被函数前半断的代码错改成「e. g. 」之后,需要修复一下,将英文句号「.」后面的空格删掉。但这行 re.sub() 代码主要有2个问题:

  1. 「e. g.」前后不一定是空格,因此这样写的话,如果遇到「e. g.,」或是「(e. g. xxx」的情况就会被跳过。
  2. 英文的句号「.」未转义
  3. 标志位 re.I 不生效

前2个问题好解决。改进代码如下:

1 def punctuate(s):
2     #----其余代码暂略
3     s = re.sub("([^a-zA-Z]e.) (g.[^a-zA-Z])", "g<1>g<2>", s, re.I)
4     return s

规则是:「e. g.」之前或之后,必须有「非英文字母」的字符(包括空格),且「e.」和「g.」中间有一个空格,则将中间的空格删掉,且保留前后的「非英文字母」(g<1>表示查找到的第1个括号内的文本,g<2>表示第2个括号)。但标志位 re.I 的问题还是没解决。

后来翻到了「Python--详解Python中re.sub」这篇文章,才顿悟:re.sub() 函数有5个参数,我传入了4个参数,最后一个被认为是第4个参数,而不是第5个!多么低级的错误啊!

查阅「Python官方文档」可知,

re.sub(pattern, repl, string, count=0, flags=0)

我传入的第4个参数 re.I 会被当作是 count。因此,正确的姿势是明确写明「flags=re.I」。

整个标点符号规范化函数还包括其它的替换,完整代码如下:

 1 def punctuate(s):
 2     s = re.sub("([,:;?!.”)])", "g<1> ", s) #后加空格
 3     s = re.sub("([“(])", " g<1>", s) #前加空格
 4     s = re.sub("([“(]) ", "g<1>", s) #后删空格
 5     s = re.sub(" ([,:;?!.”)])", "g<1>", s) #前删空格
 6     s = re.sub("([,.?!;)]) ”", "g<1>”", s) #闭引号前去空格
 7     s = re.sub(") ([,:;?!.”])", ")g<1>", s) #闭括号后去空格
 8     s = re.sub("(d). (d)", "g<1>.g<2>", s) #小数点后去空格
 9     s = re.sub(" +", " ", s) #多空格改单空格
10     #拉丁加点缩写单词,点号后面去空格
11     s = re.sub("([^a-zA-Z]e.) (g.[^a-zA-Z])", "g<1>g<2>", s, flags=re.I)
12     s = re.sub("([^a-zA-Z]i.) (e.[^a-zA-Z])", "g<1>g<2>", s, flags=re.I)
13     s = re.sub("([^a-zA-Z]q.) (v.[^a-zA-Z])", "g<1>g<2>", s, flags=re.I)
14     s = re.sub("([^a-zA-Z]v.) (s.[^a-zA-Z])", "g<1>g<2>", s, flags=re.I)
15     s = re.sub("([^a-zA-Z]n.) (b.[^a-zA-Z])", "g<1>g<2>", s, flags=re.I)
16     s = re.sub("([^a-zA-Z]p.) (s.[^a-zA-Z])", "g<1>g<2>", s, flags=re.I)
17     s = re.sub(". ,", ".,", s)
18     return s

 

 多么痛的领悟!