正则表达式 - 匹配某些模式同时排除其他模式？

Question

我有文本数据要用 Python 清理（即只保留字母数字字符）。但是，我遇到的大多数文本数据都包含表情符号。我想清除文本中的非字母数字，但仍然保留表情符号。

首先，我使用Python中的emoji库将文本中的每个表情符号转换为特定的字符串模式，使其易于区分。下面显示了一个已经“demojized”（库中的文字函数）的表情符号示例：

':smiley_face:' # a "demojized" emoji.

滚动浏览数据后，我发现这些表情符号（一旦“demojized”）表现出相同的模式，在正则表达式中似乎是

':[a-z_]+:' # regex for matching emojis.

好的，所以我知道表情符号的模式，我可以从我拥有的文本数据中提取每个表情符号。问题是，我想在不同时更改表情符号模式的情况下从非字母数字 中清除文本数据。我最初尝试清理数据：

>>> text = 'Wow.. :smiley_face: this is delicious!' # A string containing emoji >>> cleaned_text = re.sub('[^a-zA-Z0-9]+',' ',text) # regex to keep only alphanumerics >>> print(cleaned_text) Wow smiley face this is delicious

显然这不是我想要的输出。我想保持emoji文字完整，如下图：

'Wow :smiley_face: this is delicious' # Desired output

到目前为止，我已经研究过先行断言之类的东西，但无济于事。是否可以使用正则表达式删除非字母数字，同时从匹配中排除 ':[a-z_]+:' 模式？如果问题不清楚，我们深表歉意。

Answer 1

如果您只想删除 colon-word(s)-colon 上下文中除冒号和下划线以外的所有特殊字符，您可以使用

re.sub(r'(:[a-z_]+:)|[^\w\s]|_', r'', text)

见regex demo。详情:

(:[a-z_]+:) - 捕获组 1 (</code>)：<code>:，一个或多个小写 ASCII 字母或 _，以及一个 :
| - 或
[^\w\s]|_ - 除了单词和空格字符或 _ 以外的任何字符（它是一个单词字符，因此需要添加它作为替代）。

见the Python demo:

import re
text = 'Wow.. :smiley_face: this is delicious!' # A string containing emoji
print( re.sub(r'(:[a-z_]+:)|[^\w\s]|_', r'', text) )
# => Wow :smiley_face: this is delicious

正则表达式 - 匹配某些模式同时排除其他模式？

Regex - Match certain patterns while excluding others?

python

regex

text-mining