正则表达式过滤列表中的项目，只包含那些包含非 a-z 字符的项目

Question

我尝试了很多正则表达式组合，所以我不确定问题是出在我的正则表达式还是我的 python 编码（对两者来说都相当陌生）。

我有一个 list 叫 inputs:

inputs = [':boy', '_144-', '_1445', '_1445', 'alpha', 'monkey', '#sdakm', '.file', '.magic']

我想以 list 结束，它只包含那些具有非字母字符（未知）的项目。

所以我想找到：

newlist = [':boy', '_144-', '_1445', '#sdakm', '.file', '.magic']

没有所有 [a-z] 的项目。我还想过滤掉任何重复的匹配项（任何类型）。

我的python代码如下：

import os, sys, re, string, codecs, cchardet, chardet

inputs = [':boy', '_144-', '_1445', '_1445', 'alpha', 'monkey', '#sdakm', '.file', '.magic']

regex = re.compile('.*[^abcdefghijklmnopqrstuvwxyz]*.*')
myset = set()
inputs_filtered=[]
for inp in inputs:
    if re.search(i,inp):
        if inp not in myset:
            inputs_filtered.append(inp)
            print('adding' + inp)
            myset.add(inp)
            ofile.write(inp + '\n')
        else:
            print('removing duplicate ' + inp)
    else:
        print("IS ALL LETTERS " + i)
print(myset)
ofile.close()

正则表达式我尝试过滤掉或保留（我尝试了很多不同的方法，包括使用不同的代码，例如：

[filter(lambda i: regex.search(i), inputs)]

'\".*[\W|\.|_|\_|-|\-]*.*\"

'.*[^abcdefghijklmnopqrstuvwxyz]*.*'

'\"[\w]*\",?'

'[\w]*'

另一件需要注意的事情是 myset.add() 似乎正在生成一个空集，但由于某些奇怪的原因 inputs_filtered 正在被填充......我认为。

Answer 1

您可以将 re.findall 与 \W 一起使用：

inputs = [':boy', '_144-', '_1445', '_1445', 'alpha', 'monkey', '#sdakm', '.file', '.magic']
final_inputs = list(filter(lambda x:re.findall('[\W_]', x), inputs))

输出：

[':boy', '_144-', '_1445', '_1445', '#sdakm', '.file', '.magic']

Answer 2

您在 [^abcdefghijklmnopqrstuvwxyz] 之后有一个 *，这意味着匹配 0 次或多次重复。将其更改为 +，这意味着匹配它 1 次或多次重复。

您可以将 [^abcdefghijklmnopqrstuvwxyz] 缩写为 [^a-z]。

>>> regex = re.compile('.*[^a-z]+.*')
>>> list(filter(lambda s: regex.match(s), inputs))
[':boy', '_144-', '_1445', '_1445', '#sdakm', '.file', '.magic']

Answer 3

由于您在示例中使用了 set，结果的顺序似乎无关紧要。您可以通过两种方式轻松做到这一点。一个有正则表达式，另一个没有正则表达式（当你不需要正则表达式时，为什么还要打扰正则表达式）。

使用正则表达式，您只需要一个简单的正则表达式[^a-z]。使用 filter 您可以执行以下操作：

# drop the IGNORECASE option if you only want lowercase
pat = re.compile(r'[^a-z]', re.IGNORECASE)

# using the function pat.search as your filter function
results = set(filter(pat.search, inputs))

如果适合您的情况，str class 上有一个名为 isalpha 的函数，如果您的字符串只有字母字符，则 returns 为真。您可以使用以下代码构建您的集合：

results = { word for word in inputs if not word.isalpha() }

如果您包含 itertools 中的 filterfalse 函数（filter 的对位），您可以执行以下操作：

from itertools import filterfalse
results = set(filterfalse(str.isalpha, inputs))

您可以考虑编写自己的函数与 filter 一起使用。这是一个也排除冒号或空格的函数：

def has_valid_characters(word):
    return not (word.isalpha() or 
                ' ' in word or 
                ':' in word)
# ...
results = set(filter(has_valid_characters, input))

如果您想排除其他一些字符，您可以使用正则表达式或使用 any 函数作为过滤函数的一部分：

def has_valid_characters_no_regex(word):
    return not (word.isalpha() or
                any(x in word for x in ' :#-'))

pat2 = re.compile('[- :#]')

def has_valid_characters_regex(word):
    return not (word.isalpha() or
                pat2.search(word))

Answer 4

您也可以尝试不使用正则表达式的方法：

inputs = [':boy', '_144-', '_1445', '_1445', 'alpha', 'monkey', '#sdakm', '.file', '.magic']


import unicodedata
import sys

symbols=[chr(i) for i in range(sys.maxunicode) if unicodedata.category(chr(i)).startswith('P')]


print([j for i in symbols for j in inputs if i in j])

输出：

['#sdakm', '_144-', '.file', '.magic', ':boy', '_144-', '_1445', '_1445']

正则表达式过滤列表中的项目，只包含那些包含非 a-z 字符的项目

Regex filter items in list to have only those items which DO contain a character that isn't a-z

python

regex

alphanumeric